ANALISA KEKERINGAN DI KECAMATAN SEKOTONG

ANALISA KEKERINGAN DI KECAMATAN SEKOTONG
DENGAN METODE STANDARDIZED PRECIPITATION

INDEX (SPI) DAN DESIL
Analysis of Drought in the District Sekotong with Standardized Precipitation

Indeks (SPI) and Desil Methods
Tugas Akhir
Untuk memenuhi sebagian persyaratan
mencapai derajat Sarjana S-1 Jurusan Teknik Sipil
Oleh:
CANDRI SILA ISNAINI RYZKIA
F1A 011 028
JURUSAN TEKNIK SIPIL

FAKULTAS TEKNIK
UNIVERSITAS MATARAM
2016
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT atas segala berkat dan
karunia-Nya, sehingga penulis dapat menyelesaikan penyusunan usulan tugas
akhir ini.
Tugas akhir ini mengambil judul Analisis Kekeringan di Kecamatan
Sekotong dengan Metode Standardized Precipitation Index (SPI) dan Desil .
Tujuan tugas akhir ini adalah untuk mengetahui kondisi kekeringan
Kecamatan Sekotong dengan menggunakan metode Standardized Precipitation
Index (SPI) dan Desil. Tugas akhir ini merupakan salah satu persyaratan kelulusan
guna mencapai gelar sarjana (S1) di Jurusan Teknik Sipil Fakultas Teknik
Universitas Mataram.
Mengingat keterbatasan penulis, penulis menyadari sepenuhnya bahwa
tugas akhir ini masih jauh dari kesempurnaan, oleh karena itu saran dan kritik
yang bersifat membangun dari berbagai pihak sangat diharapkan demi perbaikan
dan penyempurnaan tugas akhir ini. Akhir kata semoga tugas akhir ini dapat
bermanfaat bagi kita semua.
Mataram, Mei 2016
Penulis
iv
UCAPAN TERIMA KASIH
Tugas Akhir ini dapat diselesaikan berkat bantuan dan dorongan baik moril
maupun materil dari berbagai pihak, oleh karena itu pada kesempatan ini penulis
menyampaikan ucapan terima kasih yang setulus-tulusnya terutama kepada :
1. Bapak Yusron Saadi, ST., M.Sc., Ph.D., selaku Dekan Fakultas Teknik
2. Bapak Jauhar Fajrin, ST., M.Sc.(Eng)., Ph.D.,selaku Ketua Jurusan Teknik Sipil
Fakultas Teknik Universitas Mataram.
3. Ibu Humairo Saidah, ST., MT., selaku dosen pembimbing utama yang telah
memberikan bimbingan, arahan, dukungan serta semangat kepada penulis selama
penyusunan Tugas Akhir ini, sehingga dapat terselesaikan dengan baik.
4. Bapak M. Bagus Budianto, ST., MT., selaku dosen pembimbing pendamping
yang telah memberikan bimbingan, arahan, dukungan serta semangat kepada
penulis selama penyusunan Tugas Akhir ini, sehingga dapat terselesaikan dengan
baik.
5. Bapak Dr. Eng. Hartana, ST., MT., I Dewa Gede Jaya Negara, ST., MT., dan Atas
Pracoyo, ST., MT., Ph.D., selaku dosen penguji.
6. Bapak Drs. Hari Gunarso dan Ibu Mujiatiningsih tersayang, selaku kedua
orangtua penulis yang telah memberikan semuanya untukku.
7. Saudara-saudaraku tersayang Mas Dita dan Aura yang telah memberikan
semuanya untukku.
8. Kak Rangga yang selalu memberikan motivasi dan inspirasi dalam penyelesaian
Tugas Akhir ini.
9. Sahabat-sahabat terbaikku dan tersayang Decwi, Nina, Rya, Mega, Vyra, dan Pras
yang telah banyak membantu dalam penyelesaian Tugas Akhr ini serta selalu ada
di sampingku baik di saat tawa, senang maupun sedih.
10. Teman-teman sipil 2011 yang tetap memberikan semangat dan dukungan.
v
11. Adik-adik tingkat angkatan 2012, 2013, 2014 dan 2015.
12. Sahabat-sahabat SMP (Asri, Nonik, dan Eris), sahabat-sahabat SMA (Erma,
Ingga, dan Fitri) yang telah memberikan dukungannya.
13. Semua pihak yang tidak dapat penulis sebutkan satu persatu, yang telah
memberikan bimbingan kepada penulis dalam menyelesaikan Tugas Akhir ini.
Semoga Allah SWT. memberikan imbalan yang setimpal atas bantuan yang
diberikan kepada penulis.
vi
DAFTAR ISI
Halaman
HALAMAN JUDUL i
LEMBAR PENGESAHAN . ii
KATA PENGANTAR . iv
UCAPAN TERIMAKASIH....................................................................... v
DAFTAR ISI . vii
DARTAR TABEL ........................................................................................ x
DAFTAR GAMBAR .................................................................................... xi
INTISARI..................................................................................................... xii
ABSTRACK................................................................................................. xiii
BAB I PENDAHULUAN . 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah ............................................................... 2
1.3 Tujuan Penelitian ................................................................. 3
1.4 Manfaat Penelitian ....................................................... 3
1.5 Batasan Masalah .................................................................. 3
BAB II DASAR TEORI 5
2.1 Tinjauan Pustaka .. 5
2.1.1 Hujan .......... 6
2.1.2 Kekeringan ................................................................. 6
2.1.2 Metode Indeks Kekeringan ........................................ 7
2.1.2 El Nino ....................................................................... 7
2.2 Landasan Teori ..................................................................... 11
2.2.1 Analisis Hidrologi ..................................................... 11
2.2.1.1 Penyiapan Data Hujan .................................... 11
2.2.1.2 Uji Konsistensi Data Hujan ............................ 11
2.2.2 Analisa Kekeringan ................................................... 13
2.2.2.1 Metode Standardized Precipitation Index
(SPI)... 13
2.2.2.2 Metode Desil.................................................... 17
2.2.3 Evaluasi Ketelitian Hubungan Indeks Kekeringan
Terhadap El Nino (SOI) dan Besarnya Curah Hujan.. 19
vii
2.2.4 Model Bangkitan Data dengan Model Thomas
Fiering ......................................................................... 20
BAB III METODOLOGI PENELITIAN ............................................. 24
3.1 Lokasi Penelitian .. 24
3.2 Pelaksanaan Penelitian ......................................................... 24
3.2.1 Tahap Persiapan .. 24
3.2.2 Pengumpulan Data .. 25
3.2.3 Alat dan Bahan ........ 25
3.2.4 Perhitungan dan Pengolahan Data .............................. 25
3.3 Bagan Alir Penelitian ... 28
BAB IV ANALISA DAN PEMBAHASAN 29
4.1 Tinjauan Umum. 29
4.2 Analisa Hidrologi.. 29
4.2.1 Pengumpulan Data... 29
4.2.2 Uji Konsistensi Data Curah Hujan............................... 30
4.3 Analisa Kekeringan... 32
4.3.1 Metode Standardized Precipitation Index (SPI)...... 32
4.3.2 Metode Desil................................................................ 46
4.4 Evaluasi Ketelitian Hubungan Indeks Kekeringan
Terhadap El Nino (SOI).......................................... 55
4.5 Evaluasi Ketelitian Hubungan Indeks Kekeringan
Terhadap Besarnya Curah Hujan.. 58
4.6 Prediksi Kekeringan.............................................................. 61
4.5.1 Bangkitan Data Curah Hujan dengan Model Thomas
Fiering . 61
4.5.2 Prediksi Kekeringan dengan Metode Standardized
Precipitation Index (SPI) dan Desil. 73
4.7 Evaluasi Ketelitian Indeks Kekeringan Prediksi (Data
Hujan Bangkitan) terhadap Kekeringan (Data Hujan Real)
BAB V Tahun 2015.................................................................. 74
4.8 Evaluasi Hubungan Indeks Kekeringan (Data Hujan Real)
Terhadap El Nino (SOI) Tahun 2015............................... 78
KESIMPULAN DAN SARAN. 80
viii
5.1 Kesimpulan 80
5.2 Saran.. 81
DAFTAR PUSTAKA
LAMPIRAN
ix
DAFTAR TABEL
Halaman
Tabel 2.1 Beberapa metode indeks kekeringan dan masukan data yang
dibutuhkan dalam perhitungan.. 10
Tabel 2.2 Klasifikasi nilai Indeks Osilasi Selatan / Southern Oscillation
Index (SOI). 10
Table 2.3 Nilai Indeks Osilasi Selatan / Southern Oscillation Index
(SOI)......................................................................................... 11
Tabel 2.4 Nilai kritis yang diijinkan untuk metode RAPS ..................... 14
Tabel 2.5 Klasifikasi nilai SPI ................................................................ 15
Tabel 2.6 Makna peringkat Desil (Gibbs dan Maher, 1967) ................... 18
Tabel 2.7 Skala nilai r....... 20
Tabel 4.1 Uji RAPS stasiun hujan Sekotong 31
Tabel 4.2 Perhitungan nilai dan stasiun hujan Sekotong... 35
Table 4.3 Perhitungan gamma distribusi G(x) stasiun hujan Sekotong... 37
Tabel 4.4 Perhitungan probabilitas kumulatif H(x) stasiun hujan
Sekotong 39
Tabel 4.5 Perhitungan transform gamma distribusi (t) stasiun hujan
Sekotong 41
Tabel 4.6 Perhitungan nilai SPI stasiun hujan Sekotong.. 43
Tabel 4.7 Klasifikasi tingkat kekeringan SPI stasiun hujan Sekotong.. 45
Tabel 4.8 Nilai fd dan cfb bulan Januari stasiun hujan Sekotong............. 47
Tabel 4.9 Perhitungan nilai desil bulan Januari stasiun hujan Sekotong.. 49
Tabel 4.10 Penggolongan curah hujan ke dalam kelas desil bulan Januari
stasiun hujan Sekotong.............................................................. 50
Tabel 4.11 Klasifikasi tingkat kekeringan desil bulan Januari stasiun
hujan Sekotong.......................................................................... 51
Tabel 4.12 Rekapitulasi desil stasiun hujan Sekotong................................ 52
Tabel 4.13 Klasifikasi tingkat kekeringan desil stasiun hujan Sekotong.... 54
Tabel 4.14 Hasil perhitungan koefisien korelasi antara SPI-SOI dan SOI-
Desil.............. 55
Tabel 4.15 Hasil perhitungan koefisien korelai antara SPI-Curah Hujan
dan Desil-Curah Hujan.. 58
x
Tabel 4.16 Perhitungan rata-rata curah hujan stasiun hujan Sekotong....... 62
Tabel 4.17 Analisis parameter nilai simpangan baku bulan Januari (Sj).. 64
Tabel 4.18 Nilai simpangan baku pada masing-masing bulan stasiun
hujan Sekotong.......................................................................... 65
Tabel 4.19 Analisa parameter koefisien korelasi (rj) bulan Januari stasiun
hujan Sekotong.......................................................................... 67
Tabel 4.20 Nilai koefisien korelasi pada masing-masing bulan stasiun
hujan Sekotong.......................................................................... 68
Tabel 4.21 Nilai koefisien regresi pada masing-masing bulan stasiun
hujan Sekotong.......................................................................... 70
Tabel 4.22 Nilai bilangan acak.................................................................... 70
Tabel 4.23 Perhitungan bangkitan data curah hujan tahun 2015 stasiun
hujan Sekotong.. 72
Tabel 4.24 Rekapitulasi hasil bangkitan data curah hujan stasiun hujan
Sekotong 73
Tabel 4.25 Klasifikasi tingkat kekeringan SPI prediksi stasiun hujan
Sekotong 73
Tabel 4.26 Klasifikasi tingkat kekeringan Desil prediksi stasiun hujan
Sekotong 74
Tabel 4.27 Evaluasi kekeringan metode SPI stasiun hujan Sekotong
tahun 2015........................................................................ 75
Tabel 4.28 Evaluasi kekeringan metode Desil stasiun hujan Sekotong
tahun 2015........................................................................ 76
Tabel 4.29 Rekapitulasi angka koefisien korelasi antara indeks
kekeringan prediksi dengan real tahun 2015.......................... 77
Tabel 4.30 Rekapitulasi angka koefisien korelasi antara indeks
kekeringan dengan nilai SOI tahun 2015............................... 79
xi
DAFTAR GAMBAR
Halaman
Gambar 3.1 Peta Lokasi Penelitian ....................................................... 25
Gambar 3.2 Bagan Alir Penelitian ........................................................ 29
Gambar 4.1 Grafik nilai SPI stasiun hujan Sekotong............................ 44
Gambar 4.2 Grafik nilai desil stasiun hujan Sekotong.......................... 53
Gambar 4.3 Grafik nilai SPI dan nilai SOI stasiun hujan Sekotong...... 56
Gambar 4.4 Grafik nilai Desil dan SOI stasiun hujan Sekotong............ 57
Gambar 4.5 Grafik nilai SPI dan curah hujan stasiun hujan
Sekotong..................................................................... 59
Gambar 4.6 Grafik nilai Desil dan curah hujan stasiun stasiun hujan
Sekotong..................................................................... 60
Gambar 4.7 Grafik nilai SPI stasiun hujan Sekotong.......................... 75
Gambar 4.8 Grafik nilai Desil stasiun hujan Sekotong........................ 76
Gambar 4.9 Grafik nilai SPI - SOI stasiun hujan Sekotong tahun 2015 78
Gambar 4.10 Grafik nilai Desil - SOI stasiun hujan Sekotong tahun
2015........................................................................... 79
xii
INTISARI
Kekeringan merupakan salah satu fenomena yang terjadi sebagai dampak

sirkulasi musiman yang selalu terjadi setiap tahun. Para ahli banyak berpendapat
bahwa kekeringan biasanya berhubungan dengan gejala pergeseran antara musim
hujan dengan musim kemarau di Indonesia. Berdasarkan data historis, kekeringan
di Indonesia seringkali berasosiasi dengan fenomena El Nino. Pengaruh El Nino
lebih kuat pada musim kemarau yang menyebabkan berkurangnya jumlah curah
hujan yang turun dari normalnya serta udara menjadi lebih kering
Studi ini bermaksud untuk mengetahui indeks kekeringan di Kecamatan
Sekotong dengan menggunakan metode Standardized Precipitation Index (SPI)
dan Desil. Metode SPI dan Desil dapat mengidentifikasi adanya potensi
kekeringan, karena curah hujan merupakan indikator utama kekeringan
meteorologis. Kemudian dianalisa kedekatannya terhadap El Nino (SOI). Dan
untuk sebagai peringatan dini bagi masyarakat setempat akan ancaman bahaya
kekeringan dimasa yang akan datang maka akan dilakukan prediksi kekeringan.
Hasil analisis kekeringan dengan metode Standardized Precipitation Index
(SPI) bahwa ketiga stasiun hujan yang berpengaruh di Kecamatan Sekotong yaitu
stasiun hujan Sekotong mengalami kekeringan terparah dengan nilai indeks
kekeringan sebesar -2.598, sedangkan metode Desil menunjukkan presentase
kejadian kekeringan dimana keadaan curah hujan di bawah normal (kering)
sebesar 32.667%. Indeks kekeringan berdasarkan metode SPI maupun Desil tidak
berkorelasi kuat terhadap nilai SOI, namun berkolasi cukup kuat terhadap
besarnya curah hujan. Prediksi indeks kekeringan metode SPI dan Desil yang
menggunakan data curah hujan bangkitan output Thomas Fiering masih kurang
tepat dalam memprediksi atau meramalkan indeks kekeringan di Kecamatan
Sekotong.
Kata Kunci : Kekeringan, Indeks Kekeringan, SPI, Desil, El Nino SOI
xii
ABSTRACK
Drought is one of the phenomena that occur as the impact of a seasonal

circulation which always happens every year. Experts argue that drought many
usually associated with symptoms shift of the season between the rain and dry
season in indonesia. Based on historical data, the drought in Indonesia are often
associated with the El Nino phenomenon. Influence of el nino more strong in a
dry season which causing of diminution the amount of rainfall that comes down
from normally and the air becomes more dry.
This research intends to know the drought index in Sekotong area with
using methods Precipitation Index (SPI) and the Deciles. Methods of SPI and
Desil could identify the existence of a potential for drought, because rain is the
important indicator of meteorological drought. And then analyzed its proximity
towards El Nino (SOI). And for early warning to any local people for the danger
of the drought in the future it will be done drought prediction.
The results of the analysis of drought by using Standardized Precipitation
Index ( SPI ) that the third station in the district of rain affecting rainfall station
Sekotong Sekotong is experiencing the worst drought in drought index value of -
2598 , while the decile method shows the percentage incidence of droughts where
circumstances rainfall below normal ( dry ) of 32 667 % . SPI drought index based
method nor Deciles not strongly correlated to the value of SOI , however
berkolasi strong enough to the amount of rainfall . Prediction SPI drought index
and Deciles method that uses rainfall data generation output Thomas Fiering still
less appropriate to predict or forecast drought index in District Sekotong .
Key word : Drought, Drought Indeks, SPI, Desil, El Nino SOI.

BAB 1
PENDAHULUAN
1.1 Latar belakang

Air merupakan salah satu sumber daya alam yang sangat penting peranannya
untuk makhluk hidup terutama manusia. Air tidak hanya berperan penting dalam
metabolisme tubuh manusia saja tetapi juga digunakan untuk aktivitas sehari-hari
seperti untuk irigasi pertanian, perikanan, pembangkit tenaga listrik, serta penyediaan
air bersih untuk minum maupun mandi. Oleh karena itu dibutuhkan pemanfaatan,
pengolahan, dan pengendalian yang tepat agar dapat digunakan sesuai dengan
kebutuhan.
Walaupun air adalah salah satu sumber daya alam yang dapat diperbaharui,
namun terkadang air tidak selalu tersedia sesuai dengan kuantitas yang memadai
sehingga sering terjadi ketidakseimbangan antara kebutuhan dengan ketersediaan air
terutama ketika musim kemarau tiba. Musim kemarau yang panjang akan
menyebabkan kekeringan. Kekeringan merupakan salah satu fenomena yang terjadi
sebagai dampak sirkulasi musiman yang selalu terjadi setiap tahun.
Para ahli banyak berpendapat bahwa kekeringan biasanya berhubungan dengan
gejala pergeseran antara musim hujan dengan musim kemarau di Indonesia.
Berdasarkan data historis, kekeringan di Indonesia seringkali berasosiasi dengan
fenomena El Nino. Pengaruh El Nino lebih kuat pada musim kemarau yang
menyebabkan berkurangnya jumlah curah hujan yang turun dari normalnya serta
udara menjadi lebih kering (Yosilia, 2015).
Berdasarkan peta kejadian bencana kekeringan di Indonesia antara 1979 2009
yang dibuat oleh BNPB (Badan Nasional Penanggulangan Bencana), NTB
mengalami 50 kali kejadian kekeringan. Beberapa kejadian kekeringan terparah di
NTB yang dipengaruhi El Nino sangat dirasakan pada tahun 1995/1996 dan 1997/1998
(BPTPH, 1999). Menurut Badan Meteorologi Klimatologi dan Geofisika (BMKG)
1
2
kelas I Kediri NTB (2015) menyatakan kekeringan terjadi di 6 Kecamatan di

Kabupaten Lombok Barat, salah satunya adalah Kecamatan Sekotong. Kecamatan
Sekotong merupakan Kecamatan yang mengalami kekeringan terparah karena dari
sembilan desa yang ada, hampir seluruhnya mengalami kekeringan. Maka perlu
upaya untuk mengetahui kondisi kekeringan di Kecamatan Sekotong sebagai langkah
antisipasi dini terhadap kekeringan.
Salah satu parameter yang dapat dijadikan pengukur tingkat keparahan
kekeringan adalah indeks kekeringan. Indeks kekeringan seperti Standardized
Precipitation indeks (SPI) dan Desil telah terbukti sebagai alat penting yang baru
diketemukan dan telah diterima oleh masyarakat luas di berbagai Negara. Berdasakan
deklarasi Lincoln 8 11 Desember 2009 dalam pembahasan mengenai standar indeks
kekeringan dan pedoman untuk sistem peringatan dini kekeringan (Drought Early
Warning System) menyatakan bahwa metode SPI direkomendasikan sebagai metode
indeks kekeringan untuk monitoring dan mengkarakterisasikan tingkat kekeringan
meteorologis diseluruh dunia (Hayes dkk, 2011). Sedangkan metode Desil dipilih
sebagai ukuran kekeringan oleh Austalian Drought Watch System karena relatif
sederhana untuk dihitung (Sudhian Aryadipura, 2012).
Oleh karena itu, penulis ingin menerapkan metode Standardized Precipitation
indeks (SPI) dan Desil dalam menganalisa kekeringan di Kecamatan Sekotong
sehingga untuk kedepannya dapat dilakukan tindakan pencegahan sedini mungkin
terhadap kekeringan. Maka penulis tertarik mengambil judul Analisa Kekeringan di
Kecamatan Sekotong dengan Metode Standardized Precipitation Index (Spi) dan
Desil.
1.2 Rumusan masalah

1. Berapa indeks kekeringan yang terjadi di Kecamatan Sekotong menggunakan
metode Standardized Precipitation Index (SPI) dan Desil?
2. Bagaimana ketelitian antara indeks kekeringan metode SPI dan metode Desil
terhadap El Nino (SOI)?
3
3. Bagaimana ketelitian antara indeks kekeringan metode SPI dan metode Desil
terhadap besarnya hujan?
4. Bagaimana prediksi indeks kekeringan Kecamatan Sekotong?
1.3 Tujuan penelitian

Tujuan dari penelitian ini adalah untuk :
1. Untuk mengetahui indeks kekeringan Kecamatan Sekotong dengan
menggunakan metode Standardized Precipitation Index (SPI) dan Desil.
2. Untuk mengetahui ketelitian antara indeks kekeringan metode SPI dan metode
Desil terhadap El Nino (SOI).
3. Untuk mengetahui ketelitian antara indeks kekeringan metode SPI dan metode
Desil terhadap besarnya hujan.
4. Untuk mengetahui prediksi kekeringan Kecamatan Sekotong.
1.4 Manfaat penelitian

Manfaat yang dapat diharapkan dari penelitian ini adalah untuk membantu
pemerintahan setempat dengan memberikan masukan sebagai bahan pertimbangan
dalam mengambil keputusan yang tepat untuk menghadapi kekeringan.
1.5 Batasan masalah

Agar penelitian ini tidak terlampau luas dan lebih terarah, maka dalam hal ini
penulis membatasi pokok-pokok bahasan permasalahan sebagai berikut :
1. Penelitian dilakukan di Kecamatan Sekotong.
2. Data curah hujan yang digunakan dari Stasiun Hujan Sekotong dengan
panjang data 25 tahun (1990 2014).
3. Analisis pembangkitan data curah hujan dipakai Model Thomas Fiering yang
digunakan untuk prediksi data curah hujan. Metode ini digunakan hanya
sebagai alat bantu untuk memprediksi data hujan periode tahun 2015 2020.
4. Penelitian ini dilakukan untuk mengukur kekeringan meteorologis.
4
5. Analisis kekeringan dalam penelitian ini menggunakan metode Standardized

Precipitation Index (SPI) dan Desil.
BAB II
DASAR TEORI
2.1 Tinjauan Pustaka
Hadi Muliawan (2012), melakukan penelitian Analisa Indeks Kekeringan

Dengan Metode Standardized Precipitation Index (SPI) dan sebaran kekeringan
dengan Geographic Information System (GIS) pada DAS Ngrowo, dari analisa
didapat indeks kekeringan menggunakan metode Standardized Precipitation Index
(SPI) pada periode defisit 1, 4, 6, 12 dan 24 dengan nilai indeks kekeringan masing-
masing (-4,014), (-3,614), (-3,750), (-3.819 dan (-3,066). Dari tiap periode defisit
didapatkan bahwa kekeringan terparah terjadi pada tahun 1997 dengan tingkat
kekeringan amat sangat kering. Kekeringan meteorologi yang terjadi juga me-
miliki hubungan terhadap nilai SOI. Ketika terjadi nilai defisit maka SOI bernilai
negatif, begitu juga sebaliknya ketika terjadi nilai surplus maka SOI bernilai positif.
SOI tersebut merupakan indikator terjadinya El Nino, semakin kecil nilai SOI maka
akan terjadi El Nino yang kuat hal tersebut menyebabkan terjadinya kekeringan yang
panjang.
Fitria Nuril Umami (2013), melakukan penelitian Aplikasi Sistem Informasi
Geografi Untuk Analisa Kekeringan Menggunakan Metode Desil Pada DAS Widas
Kabupaten Nganjuk, dari analisa diketahui persentase kejadian kekeringan pada
periode 1 bulanan di bulan Januari keadaan curah hujan dibawah normal (kering) di
semua stasiun hujan adalah 31,58%, Februari 31,58% - 36,84%, Maret 31,58% -
36,85%, April 31,58%, Mei 31,58% - 36,85%, Juni 36,84% - 57,90%, Juli 57,89% -
89,47%, Agustus 68,42% - 89,50%, September 84,21% - 89,47%, Oktober 31,58% -
57,89%, November 31,58% dan Desember 31,58%. Pada periode 3 bulanan DJF
31,58% - 33,33%, MAM 63,16% - 94,74% , JJA 100% dan SON 89,47%- 100%.
Pada Periode 6 bulanan SONDJF 27,78% - 33,33% dan MAMJJA 78,95% - 100%
sedangkan pada periode 12 bulan adalah 31,58%. Dan hasil Analisa jika dikaitkan
5
6
dengan kejadian El Nino mengindikasikan adanya keterkaitan karena adanya

kemiripan tren kejadian kekeringan pada stasiun pengamatan dengan kejadian El
Nino. Kejadian El Nino terparah terjadi pada tahun 1997, pada tahun tersebut semua
stasiun pengamatan menunjukkan adanya kekeringan. Hal ini dapat disebabkan oleh
pengaruh El Nino terhadap curah hujan yang turun.
Mira Anantha Yosilia (2014), melakukan penelitian Analisis Hubungan El Nino
Dengan Kekeringan Meteorologis Menggunakan SPI (Standardized Precipitation
Index) Di Pulau Bali, dari analisa didapat hubungan El Nino dengan kekeringan
meteorologis yang dicerminkan masing-masing oleh nilai SOI dan nilai SPI adalah
positif. Hal tersebut diuji dengan menggunakan nilai SPI skala waktu 1 bulan, 3
bulan, 6 bulan, dan 12 bulan. Nilai R2 yang paling besar didapatkan pada korelasi
antara nilai SOI dengan nilai SPI-6 bulan, yaitu 0,5066 pada stasiun hujan Ngurah
Rai dan 0,5587 pada stasiun hujan Celuk.
2.1.1 Hujan
Menurut Sri Harto (1993), hujan merupakan komponen masukan yang paling
penting dalam proses hidrologi, karena jumlah kedalaman hujan (rainfall depth) ini
yang dialihragamkan menjadi aliran di sungai, baik melalui lapisan permukaan
(survace run off), aliran antara (interflow, subsurface flow) maupun sebagai aliran
tanah (groundwater flow).
2.1.2 Kekeringan
Kekeringan diawali dengan berkurangnya jumlah curah hujan dibawah normal
pada satu musim, kejadian ini adalah kekeringan meteorologis yang merupakan tanda
awal dari terjadinya kekeringan. Tahapan selanjutnya adalah berkurangnya kondisi
air tanah yang menyebabkan terjadinya stress pada tanaman (disebut kekeringan
pertanian), tahapan selanjutnya terjadinya kekurangan pasokan air permukaan dan air
tanah yang ditandai menurunya tinggi muka air sungai ataupun danau (disebut
kekeringan hidrologis). Kekeringan dibagi menjadi 3 jenis yaitu:
1. Kekeringan meteorologi (meteorology drought)
7
Didefiniskan sebagai kekurangan hujan dari yang normal atau diharapkan selama
periode waktu tertentu. Perhitungan tingkat kekeringan meteorologis merupakan
indikasi pertama terjadinya kondisi kekeringan.
2. Kekeringan pertanian (agricultural drought)
Kekeringan pertanian ini terjadi setelah terjadinya gejala kekeringan meteoro-
logis. Kekeringan ini berhubungan dengan berkurangnya kandungan air dalam
tanah (lengas tanah) sehingga tidak mampu lagi memenuhi kebutuhan air bagi
tanaman pada suatu periode tertentu. Dicirikan dengan kekurangan lengas tanah.
3. Kekeringan hidrologi (hydrological drought)
Didefinisikan sebagai kekurangan pasok air permukaan dan air tanah dalam
bentuk air di danau dan waduk, aliran sungai, dan muka air tanah. Kekeringan
hidrologis diukur dari ketinggian muka air sungai, waduk, danau dan air tanah.
2.1.3 Metode Indeks Kekeringan

Indeks kekeringan merupakan suatu perangkat utama untuk mendeteksi,
memantau, dan mengevaluasi kejadian kekeringan. Untuk menduga nilai indeks
kekeringan suatu wilayah terdapat beberapa metode yang dalam proses
perhitungannya dapat memanfaatkan beberapa data, baik data iklim maupun
kelengasan tanah.
2.1.4 El Nino
Salah satu anomali iklim berskala global adalah El Nino. Istilah El Nino
pertama kali dicetuskan pada abad 19 oleh para nelayan di Peru yang
mendefinisikannya sebagai menghangatnya suhu permukaan laut di sekitar pesisir
saat hari raya natal (Enfield, 1988). Mekanisme El Nino berawal dari menghangatnya
suhu permukaan air laut di Samudra Pasifik sekitar ekuator atau terjadi tekanan udara
rendah di daerah tersebut. Suhu permukaan air laut di perairan Indonesia pada saat
yang bersamaan menjadi dingin yang kemudian membentuk tekanan udara yang
tinggi. Perbedaan tekanan udara yang cukup besar atau peningkatan suhu permukaan
8
laut di Samudra Pasifik sekitar ekuator yang tinggi dapat menyebabkan massa udara
di Indonesia cenderung bergerak ke arah Samudra Pasifik sekitar ekuator yang
memiliki tekanan udara lebih rendah. Peristiwa El Nino acap kali dibarengi dengan
musim kemarau yang berkepanjangan akibat semakin berkurangnya jumlah curah
hujan yang turun di wilayah tertentu, kejadian El Nino dapat berulang dalam rentang
2 hingga 7 tahun dengan rata-rata kejadian sekali dalam 4 tahun (Sarachik, 2010
Terdapat beberapa parameter yang mempengaruhi terjadinya El Nino, antara lain:
1. Anomali Suhu Permukaan Laut
Ketika terjadi El Nino, suhu permukaan laut di Samudra Pasifik ekuator bagian
tengah dan timur memanas, yakni suhu berada di atas normal. Sebaliknya, suhu
permukaan laut di Samudra Pasifik ekuator bagian barat atau di sekitar wilayah
perairan Indonesia menjadi lebih dingin dari biasanya, yaitu suhu berada di
bawah normal. Keadaan inilah yang menjadi salah satu parameter yang
mengindikasikan terjadinya El Nino. Kondisi sebaliknya mengindikasikan
terjadinya La Nina.
2. Indeks Osilasi Selatan / Southern Oscillation Index (SOI)
El Nino juga memiliki intensitas yang dikategorikan menurut besarnya
penyimpangan suhu muka air laut yang menyebabkan perubahan tekanan udara
di atas nilai rata-ratanya. Perubahan tekanan udara tersebut dapat dibaca dengan
Indeks Osilasi Selatan (South Oscillation Index / SOI). Biasanya nilai SOI yang
dipakai untuk kepentingan analisis klimatologi berskala bulanan, sebab nilai SOI
dengan skala harian atau mingguan dapat dipengaruhi oleh pola-pola cuaca
harian. SOI mengindikasikan adanya El Nino ataupun La Nina di Samudra
Pasifik dengan melihat perbedaan tekanan atmosfer antara Tahiti dan Darwin.
Darwin merupakan perwakilan dari wilayah Hindia Australia, sedangkan
Tahiti mewakili wilayah Amerika Selatan. Ketika El Nino terjadi, tekanan udara
rata-rata di Darwin lebih tinggi daripada di Tahiti, ditunjukkan dengan nilai SOI
yang negatif, sedangkan nilai SOI positif mengindikasikan terjadinya La Nina.
Intensitas El Nino dikatakan semakin kuat apabila nilai SOI-nya semakin
9
negative. Hal tersebut dijelaskan oleh Salmawati (2010) tentang tingkatan

intensitas El Nino dan La Nina :
a. El Nino dikatakan lemah, apabila nilai SOI -5 s/d 0 dan berlangsung minimal
3 bulan berturut-turut.
b. El Nino dikatakan sedang, apabila nilai SOI -10 s/d -5 dan berlangsung
minimal 3 bulan berturut-turut.
c. El Nino dikatakan kuat, apabila nilai SOI lebih kecil dari -10 dan
berlangsung minimal 3 bulan berturut-turut.
Tabel 2.1 Beberapa metode indeks kekeringan dan masukan data yang dibutuhkan
dalam perhitungan
No Metode Indeks Kekeringan Data yang diperlukan
Curah hujan, kapasitas lengas

1 Palmer
tanah, evapotranspirasi potensial
Curah hujan, kapasitas lengas

2 Thornthwaite Mather tanah, evapotranspirasi potensial,
suhu rata-rata
Standardized Precipitation
3 Curah hujan 20 tahun
Index (SPI)
Prosentase Terhadap
4 Curah hujan 30 tahun
Normal
5 Teori Run Curah hujan 20 tahun
6 Desil Curah hujan 25 tahun
7 Crossing Theory Curah hujan 50 tahun
8 Analisa Deret Hari Kering Curah hujan 30 tahun
Sumber : (Solikhati, 2013, dalam Anggun 2015)
10
Tabel 2.2 Klasifikasi nilai Indeks Osilasi Selatan / Southern Oscillation Index (SOI)
Klasifikasi Nilai SOI
La Nina kuat 1.5
La Nina sedang 1.50 s.d 1.00

La Nina lemah 1.00 s.d 0.5
Mendekati normal 0.5 s.d -0.5
El Nino lemah -0.5 s.d -1.00
El Nino sedang -1.00 s.d -1.5
El Nino kuat -1.5
Sumber : Based on Oceanic Nino Index
Tabel 2.3 Nilai Indeks Osilasi Selatan / Southern Oscillation Index (SOI)
Tahun Jan Feb Mar Apr Mei Jun Jul Agust Sept Okt Nov Des
1990 -1.1 -17.3 -8.5 -0.5 13.1 1.0 5.5 -5.0 -7.6 1.8 -5.3 -2.4
1991 5.1 0.6 -10.6 -12.9 -19.3 -5.5 -1.7 -7.6 -16.6 -12.9 -7.3 -16.7
1992 -25.4 -9.3 -24.2 -18.7 0.5 -12.8 -6.9 1.4 0.8 -17.2 -7.3 -5.5
1993 -8.2 -7.9 -8.5 -21.1 -8.2 -16.0 -10.8 -14.0 -7.6 -13.5 0.6 1.6
1994 -1.6 0.6 -10.6 -22.8 -13.0 -10.4 -18.0 -17.2 -17.2 -14.1 -7.3 -11.6
1995 -4.0 -2.7 3.5 -16.2 -9.0 -1.5 4.2 0.8 3.2 -1.3 1.3 -5.5
1996 8.4 1.1 6.2 7.8 1.3 13.9 6.8 4.6 6.9 4.2 -0.1 7.2
1997 4.1 13.3 -8.5 -16.2 -22.4 -24.1 -9.5 -19.8 -14.8 -17.8 -15.2 -9.1
1998 -23.5 -19.2 -28.5 -24.4 0.5 9.9 14.6 9.8 11.1 10.9 12.5 13.3
1999 15.6 8.6 8.9 18.5 1.3 1.0 4.8 2.1 -0.4 9.1 13.1 12.8
2000 5.1 12.9 9.4 16.8 3.6 -5.5 -3.7 5.3 9.9 9.7 22.4 7.7
2001 8.9 11.9 6.7 0.3 -9.0 1.8 -3.0 -8.9 1.4 -1.9 7.2 -9.1
2002 2.7 7.7 -5.2 -3.8 -14.5 -6.3 -7.6 -14.6 -7.6 -7.4 -6.0 -10.6
2003 -2.0 -7.4 -6.8 -5.5 -7.4 -12.0 2.9 -1.8 -2.2 -1.9 -3.4 9.8
2004 -11.6 8.6 0.2 -15.4 13.1 -14.4 -6.9 -7.6 -2.8 -3.7 -9.3 -8.0
2005 1.8 -29.1 0.2 -11.2 -14.5 2.6 0.9 -6.9 3.9 10.9 -2.7 0.6
2006 12.7 0.1 13.8 15.2 -9.8 -5.5 -8.9 -15.9 -5.1 -15.3 -1.4 -3.0
2007 -7.3 -2.7 -1.4 -3.0 -2.7 5.0 -4.3 2.7 1.5 5.4 9.8 14.4
2008 14.1 21.3 12.2 4.5 -4.3 5.0 2.2 9.1 14.1 13.4 17.1 13.3
2009 9.4 14.8 0.2 8.6 -5.1 -2.3 1.6 -5.0 3.9 -14.7 -6.7 -7.0
2010 -10.1 -14.5 -10.6 15.2 10.0 1.8 20.5 18.8 25.0 18.3 16.4 27.1
2011 19.9 22.3 21.4 25.1 2.1 0.2 10.7 2.1 11.7 7.3 13.8 23.0
2012 9.4 2.5 2.9 -7.1 -2.7 -10.4 -1.7 -5.0 2.7 2.4 3.9 -6.0
2013 -1.1 -3.6 11.1 0.3 8.4 13.9 8.1 -0.5 3.9 -1.9 9.2 0.6
2014 12.2 -1.3 -13.3 8.6 4.4 -1.5 -3.0 -11.4 -7.5 -8.0 -10.0 -5.5
Sumber : Australian Government Bureau of Meteorology
(http://www.bom.gov.au/climate/current/soi2.shtml)
11
2.2 Landasan Teori

2.2.1 Analisa Hidrologi
2.2.1.1 Penyiapan data hujan
Data hujan yang dimaksud dalam analisis adalah data hujan dilakukan dua hal
untuk memperoleh data hujan yang diinginkan :
1. Dalam satu tahun tertentu, untuk stasiun A dicari hujan maksimum, selanjutnya,
dicari data hujan pada stasiun lain pada hari kejadian yang sama, kemudian
dihitung hujan rata-rata DAS. Masih dalam tahun yang sama, dicari hujan harian
untuk stasiun lain dicari dan dirata-ratakan.
2. Jika data hujan yang tersedia kurang dari sepuluh tahun maka dicari data hujan
dengan puncak diatas ambang yang ditentukan dengan jumlah data untuk satu
tahun antara dua sampai dengan lima buah data. Untuk tahun berikutnya cara
yang sama dilakukun sampai seluruh data yang tersedia.
Data hujan seperti yang diperoleh dari instansi pengelolanya perlu
mendapatkan perhatian secukupnya. Beberapa kesalahan yang dapat terjadi adalah
tidak lengkapnya data akibat hilang atau alat penakar hujan rusak. Menghadapi
keadaan seperti ini maka terdapat dua langkah yang dapat dilakukan yaitu :
1. Membiarkan saja data yang hilang tersebut, karena dengan cara apapun data
tersebut tidak akan dapat diketahui dengan tepat.
2. Bila dipertimbangkan bahwa data tersebut mutlak diperlukan maka perkiraan
data tersebut dapat dilakukan dengan cara-cara yang dikenal (Sri Harto, 1993).
2.2.1.2 Uji konsistensi data hujan

Selain kekurangan atau kehilangan data, data hujan yang didapatkan dari
stasiun masih sering terdapat kesalahan yang berupa ketidak panggahan data
(inconsistency). Data hujan yang inconsistent dapat terjadi karena beberapa hal antara
lain (Sri Harto,1993):
a. Alat ganti dengan alat yang berspesifikasi lain,
b. Perubahan lingkungan yang mendadak,
12
c. Lokasi dipindahkan.
Untuk memperoleh hasil analisis yang baik, data hujan harus dilakukan
pengujian konsistensi terlebih dahulu untuk mendeteksi penyimpangan ini. Uji
konsistensi juga meliputi homogenitas data karena data konsisten berarti data
homogen. Pengujian konsistensi ada berbagai cara diantaranya RAPS (Rescaled
Adjusted Partial Sum).
Persamaan yang digunakan adalah sebagai berikut (Sri Harto, 1993):

S
Sk k (2-1)
Dy
k = 0,1,2,,n
Y Y
n
2
i
Dy i 1
2
(2-2)
n
2
S k Yi Y
n

(2-3)
i 1
k = 1,2,3,,n
dengan : n = jumlah data hujan

Yi = data curah hujan
Y = rerata curah hujan
Sk*, Sk**, Dy = nilai statistik
Nilai statistik Q :

Q maks S k (2-4)
0 kn
Nilai statistik R (Range) :

R maks S k min S k (2-5)
0 kn 0k n
dengan : Q = nilai statistik

13
n = jumlah data hujan

Nilai statistik Q dan R diberikan pada Tabel 2.4.
Tabel 2.4 Nilai kritis yang diijinkan untuk metode RAPS

Q/ n R/ n
n
90% 95% 99% 90% 95% 99%
10 1,05 1,14 1,29 1,21 1,28 1,38
20 1,10 1,22 1,42 1,34 1,43 1,60
30 1,12 1,24 1,46 1,40 1,50 1,70
40 1,13 1,26 1,50 1,42 1,53 1,74
50 1,14 1,27 1,52 1,44 1,55 1,78
100 1,17 1,29 1,55 1,50 1,62 1,86
>100 1,22 1,36 1,53 1,62 1,75 2,00
Sumber : Sri Harto, 1993
2.2.2 Analisa Kekeringan

2.2.2.1 Metode Standardized precipitation indeks (SPI)
Kekeringan seringkali dikaitkan dengan suatu kondisi yang ditandai dengan
kurangnya ketersediaan air untuk memenuhi kebutuhan air di sektor manapun, baik
dalam hal pemenuhan kebutuhan irigasi untuk pertanian, maupun pemenuhan
kebutuhan air dalam kegiatan ekonomi. Kekeringan ini bersifat sementara yang salah
satunya dapat terjadi akibat menurunnya curah hujan di suatu daerah. Untuk
mengamati terjadinya penyimpangan jumlah curah hujan terhadap normalnya dapat
menggunakan Standardized Precipitation Index (SPI). SPI untuk suatu lokasi
dihitung berdasarkan data hujan yang cukup panjang untuk periode yang diinginkan.
Data hujan yang cukup panjang disesuaikan dengan suatu jenis distribusi (Gamma),
kemudian ditransformasikan ke distribusi normal sehingga rata-rata SPI di suatu
lokasi sama dengan nol. Berdasakan deklarasi Lincoln 8 11 Desember 2009
14
menyatakan bahwa metode SPI direkomendasikan sebagai metode indeks kekeringan

untuk monitoring dan mengkarakterisasikan tingkat kekeringan meteorologis
diseluruh dunia (Hayes dkk, 2011).
SPI positif mengidentifikasikan hujan yang lebih besar dari median dan SPI
negatif menunjukan hujan yang lebih kecil dari median.
McKee et al (1993) menggunakan klasifikasi dibawah ini untuk
mengidentifikasikan intensitas kekeringan, dan juga kriteria kejadian kekeringan
untuk skala waktu tertentu. Kekeringan terjadi pada waktu SPI secara
berkesinambungan negatif dan mencapai intensitas kekeringan dengan SPI bernilai -1
atau kurang, sedangkan kekeringan akan berakhir apabila nilai SPI menjadi positif.
Tabel 2.5 Klasifikasi nilai SPI
Nilai SPI Klasifikasi
2.00 Amat sangat basah
1.50 s.d 1.99 Sangat basah
1.00 s.d 1,49 Cukup basah
-0.99 s.d 0.99 Mendekati normal
-1,00 s.d -1,49 Cukup kering
-1,50 s.d -1,99 Sangat Kering
-2.00 Amat sangat kering
Sumber : Hayes, Revisiting the SPI :
Clarifying the Process, 2000
Adapun langkah-langkah pengerjaan metode SPI ini adalah :

1. Menghitung rata-rata :
x
x = (2-6)
n
dengan :
x = nilai rata-rata kejadian hujan (mm)

15
x = jumlah kejadian hujan (mm)

n = jumlah data
menghitung di Microsoft Excel dengan fungsi = AVERAGE (first : last)
2. Menghitung Standar Deviasi :
( x x)
Sd (2-7)
n
dengan : S = standar deviasi
menghitung di Microsoft Excel dengan fungsi = STDEV (first : last)
3. Menghitung :
x2
2 (2-8)
Sd
dengan :
x = Nilai rata-rata kejadian hujan (mm)
Sd = Standar deviasi
4. Menghitung :
x
(2-9)

dengan :
5. Menghitung gamma distribusi :
x x x
1
G( x) g ( x)dx t a 1e dx (2-10)
0 ( a ) 0
menghitung di Microsoft Excel dengan fungsi = GAMMADIST (x, , , true)
6. Menghitung transfom gamma distribution :
1
t ln 2
untuk 0 < H(x) 0.5 (2-11)
H ( x)
16
1
t ln 2
untuk 0.5 < H(x) 1.0 (2-12)
(1 H ( x))
dengan :
H ( x) q (1 q)G ( x) (2-13)
q = m/n dengan m adalah jumlah kejadian hujan 0 mm dalam deret seri data
hujan.
7. Menghitung nilai SPI
c0 c1t c 2 t 2
Z SPI (t untuk 0 < H(x) 0.5 (2-14)
1 d1t d 2 t 2 d 3t 3
c0 c1t c 2 t 2
Z SPI (t untuk 0.5 < H(x) 1.0 (2-15)
1 d1t d 2 t 2 d 3t 3
dengan :
c0= 2.515517 d1= 1.432788
c1= 0.802853 d2= 0.189269
c2= 0.010328 d3= 0.001308
Analisis kekeringan dengan menggunakan metode SPI ini dapat dilakukan

dengan periode waktu bulanan, tiga bulananan, dan seterusnya sesuai dengan tujuan
dilakukannya analalisis (L.Giddings, et al, 2004).
2.2.2.2 Metode Desil

Metode ini dikembangkan oleh Gibbs dan Maher (1967) kata desil berasal
dari satu per sepuluh, dimana rentetan data diurut menjadi 10 kelompok. Kelompok
pertama adalah hujan dengan kemungkinan lebih kecil, 10 % dari seluruh kejadian.
Kelompok kedua adalah curah hujan dengan kemungkinan lebih kecil, 20 % dari
seluruh kejadian.
17
Berdasarkan definisi desil kelima sama dengan median, sehingga cara ini
dikelompokan menjadi 5 kelompok yaitu :
Desil 1 2 : terendah, 20 % jauh dibawah normal
Desil 3 - 4 : diatas terrendah, 20 % di bawah normal
Desil 5 - 6 : di tengah, 20 % mendekati normal
Desil 7 - 8 : di atas tengah-tengah, 20 % diatas normal
Desil 9 - 10 : tertinggi, jauh diatas normal
Metode Desil dipilih sebagai ukuran kekeringan oleh Austalian Drought
Watch System karena relatif sederhana untuk dihitung (Sudhian Aryadipura, 2012).
Adapaun peringkat klasifikasi menurut metoda Desil terdiri dari 10 klasifikasi
makna, dimana indeks kekeringan kajian saat ini ditentukan berdasarkan Desil-1,
yaitu desil yang mengkategorikan amat sangat ditentukan berdasarkan Desil-1, yaitu
desil yang mengkategorikan amat sangat di bawah rata-rata. Klasifikasi metoda Desil
disajikan pada Tabel 2.6.
Tabel 2.6 Makna peringkat Desil (Gibbs dan Maher, 1967)

Nilai Desil Klasifikasi %
Desil 1 Amat sangat kering 10
Desil 2 Sangat kering 10 20
Desil 3 Cukup kering 20 30
Desil 4 - 7 Normal 30 70
Desil 8 Cukup basah 70 80
Desil 9 Sangat basah 80 90
Desil 10 Amat sangat basah 90
Sumber : H. Ghasemi, 2011
Desil-1 dapat diartikan peringkat amat sangat kering, sedangkan Desil-2

merupakan peringkat sangat kering (sangat di bawah rata-rata). Indeks kekeringan
dengan metode Desil harus dihitung berdasarkan periode yang sama di semua pos
18
hujan berdasarkan tingkatan Desil-1 (amat sangat kering). Desil yang dihitung dari
periode data hujan yang pendek menghasilkan nilai yang berbeda dengan apabila
menggunakan data yang panjang (Adidarma, 2007).
Metoda Desil telah diterapkan di Australia untuk mengetahui tingkat

keparahan kekeringan pada lahan pertanian/ peternakan. Rumus metoda Desil-1
secara umum menurut Hadi, 1989 yaitu :
n
10 N cf b
D1 Bb .i (2-16)
fd

dengan :
D1 = Desil-1 yang dicari pada suatu titik yang membatasi 10 % frekwensi
yang terbawah dalam distribusi.
Bb = Batas bawah rentang interval Desil-1 (nyata)
cf b = Frekwensi kumulatif di bawah Desil-1 yang dicari
f d = Frekwensi pada interval Desil-1 yang dicari

N = Jumlah seluruh frekwensi dalam distribusi
n = Desil yang dicari ( n = 1)
i = lebar interval
2.2.3 Evaluasi Ketelitian Hubungan Indeks Kekeringan Terhadap El Nino
(SOI) dan Besarnya Curah Hujan
Terjadinya kekeringan berkepanjangan termasuk penyimpangan iklim dari
sifat normalnya pada tahun tertentu, sering dikaitkan dengan munculnya fenomena
alam yang disebut El-Nino. Pada saat Berlangsungnya peristiwa El-Nino yang
disertai dengan nilai indeks osilasi selatan negatif dalam satu fase dikenal sebagai
peristiwa El Nino Southern Oscillation (ENSO). Nilai SOI (Southern Oscillation
Index) atau Indeks Osilasi Selatan merupakan nilai perbedaan antara tekanan
19
atmosfer di atas permukaan laut di Tahiti (Pasifik timur) dengan tekanan atmosfer di
Darwin (pasafik barat) akibat dari perbedaan temperatur pemukaan laut di kedua
wilayah tersebut nilai SOI dapat dijadikan patokan terjadinya feno-mena El Nino dan
La Nina. Untuk membandingkan apakah benar nilai indeks kekeringan berdasarkan
metode SPI maupun Desil yang terjadi di Kecamatan Sekotong dipengaruhi juga oleh
faktor peristiwa El Nino dan besarnya curah hujan, maka akan dilakukan
perbandingan antara nilai indeks kekeringan dengan nilai El Nino (SOI) dan besarnya
curah hujan. Perbandingan ini dilakukan dengan cara mencari angka koefisien
korelasi.
a. Koefisien Korelasi
Yang dimana nilai r = 1 berarti bahwa korelasi antara peubah y dan x adalah
positif (meningkatnya nilai x akan mengakibatkan meningkatnya nilai y), sebaliknya
jika r = -1, berarti korelasi antara peubah y dan x adalah negatif (meningkatnya nilai x
akan mengakibatkan menurunnya nilai y). Nilai r = 0 menyatakan tidak ada korelasi
antar peubah. Perhitungannya dapat dilakukan secara manual atau dapat pula dihitung
dengan bantuan lembar kerja Microsoft Excel, menggunakan fungsi
=CORREL(array1,array2).
Bentuk persamaan koefisien korelasi sebagai berikut :
( Iobs
n
I obs ) ( Isim Isim )
rj i 1
( Iobs
n
I obs ) 2 ( Isim Isim ) 2
i 1
dengan :
Iobs = Nilai pengamatan
I obs = Rata-rata nilai pengamatan
Isim = Nilai model
Isim = Rata-rata nilai model
20
Tabel 2.7 Skala nilai r

Nilai Koefisien Korelasi Keterangan
0,000 - 0,199 Sangat Rendah
0,200 - 0,399 Rendah
0,400 - 0,599 Cukup
0,600 - 0,799 Kuat
0,800 - 1,000 Sangat Kuat
Sumber : Sudjana (1982) dalam Anggraeni (2008)
Akan tetapi pada penelitian ini akan digunakan rumus korelasi pada Microsoft
Excel.
2.2.4 Model Bangkitan Data dengan Model Thomas Fiering

Thomas Fiering merupakan suatu metode yang telah lama dikenal untuk
membangkitkan data debit atau data hujan bulanan. Metode ini memiliki keunggulan
antara lain adalah mengawetkan rata-rata, simpang baku, dan korelasi antar bulan.
Metode ini akan dikembangkan untuk peramalan, dengan mengeliminir komponen
yang bersifat acak, dan dilakukan dalam periode tengah-bulanan (Waluyo H, 2001).
Bentuk persamaan metode Thomas Fiering (Fiering, 1971)
p i, j = p j + bj . ( pi , j 1 p j 1 ) + ti,,j. s j (1 r j )
2
(2-18)
dengan :
p i, j = Curah hujan hasil pembangkitan yang dicari (pada tahun ke-i, bulan ke-j)
p i,j-1 = Curah hujan pada tahun ke-i, bulan ke j-1 (pada bulan sebelumnya)
pj = Nilai rerata curah hujan bulan ke-j
p j 1 = Nilai rerata curah hujan pada bulan sebelumnya (bulan ke-j-1)
rj = koefisien korelasi curah hujan bulan ke-j dengan bulan ke-j-1

bj = Koefisien regresi bulan ke-j-1
Sj = Simpangan baku bulan ke-j
21
ti,j = Nilai acak berdistribusi normal baku (pada tahun ke-i, bulan ke-j)
Parameter-parameter statistiknya yaitu:
1. Menghitung curah hujan rerata tiap-tiap bulan dari data historis yang tersedia
dengan rumus sebagai berikut:
n
p i, j
pj i 1
(2-19)
n
dengan:
pj = Curah hujan rerata bulan ke-j (mm)
pij = Curah hujan ke-I, bulan ke-j (mm)

n = Panjang data bulan ke-j
2. Menghitung simpangan baku (standar deviasi) tiap-tiap bulan sepanjang data
curah hujan historis dengan rumus sebagai berikut:
n
( p i, j p j )2
sj i 1
(2-20)
n 1
dengan :
pi,j = Curah hujan tahun ke-I, bulan ke-j (mm)
3. Menghitung koefisien korelasi tiap-tiap bulan dengan rumus berikut :
( p
n
i, j p j ) ( pi , j 1 p j 1 )
rj i 1
(2-21)
( p
n
i, j p j ) 2 ( pi , j 1 p j 1 ) 2
i 1
dengan:
rj = Koefisien korelasi curah hujan rerata bulan ke-j dengan bulan ke-j-1
pi,j = Curah hujan tahun ke-i, bulan ke-j (mm)
22
pi,j-1 = Curah hujan tahun ke-i, bulan ke j-1 (mm)

p j -1 = Curah hujan rerata bulan ke j-1 (mm)
4. Menghitung koefisien regresi bulanan dengan rumus berikut :

rj s j
bj (2-22)
s j 1
dengan :
bj = Koefisien regresi bulan ke-j
Sj-1= Simpangan baku bulan ke-j-1
5. Menentukan rangkaian bilangan acak diperoleh dari program Minitab.
6. Membangkitkan rangkaian data dengan menggunakan rumus Thomas Fiering.
p i, j = p j + bj . ( pi , j 1 p j 1 ) + ti,,j. s j (1 r j )
2
(2-23)
Secara sederhana dapat dikatakan bahwa curah hujan tengah bulanan

mendatang adalah sama dengan rata-rata curah hujan tengah bulanan mendatang
ditambah suatu faktor yang bergantung pada besarnya curah hujan saat ini, dan
ditambah suatu faktor inovasi yang besarnya adalah acak. Metode ini memiliki
banyak keunggulan, yaitu mengawetkan nilai rata-rata, simpangan baku dan koefisien
korelasi antara bulan. Metode ini akan dikembangkan untuk bangkitan data curah
hujan tengah bulanan (Saidah, 2004, dalam Erika, 2008).
BAB III
METODA PENELITIAN
3.1 Lokasi Penelitian

Penelitian ini dilaksanakan di Kecamatan Sekotong, Kabupaten Lombok
Barat dengan stasiun hujan berpengaruh yaitu stasiun hujan Sekotong.
Lokasi penelitian
Sumber : Google Maps

Gambar 3.1 Peta lokasi penelitian
3.2 Pelaksanaan Penelitian

3.2.1 Tahap Persiapan
Tahap persiapan yang dimaksud disini adalah pengumpulan literatur-
literatur dan referensi yang menjadi landasan teori, serta penyusunan proposal
pelaksanaan. Dengan adanya tahap persiapan ini akan memberikan gambaran
tentang langkah-langkah yang akan diambil selanjutnya.
29
30
3.2.2 Pengumpulan Data

Pengumpulan data dapat diperoleh dari observasi langsung di lapangan dan
dapat juga diperoleh dari instansi-instansi terkait. Secara umum data dapat
dibedakan menjadi dua macam yaitu data primer dan data sekunder.
Dalam penelitian ini data yang digunakan adalah data sekunder. Adapun
data-data yang dibutuhkan meliputi:
1. Data curah hujan
Data curah hujan yang digunakan dari stasiun hujan Sekotong dengan panjang
data 25 tahun (1990 2014).
2. Data Indeks Osilasi Selatan / Southern Oscillation Index (SOI)
Data Indeks Osilasi Selatan / Southern Oscillation Index (SOI) diperoleh dari
Australian Government Bureau of Meteorology.
3.2.3 Alat dan Bahan
Adapun alat dan bahan yang digunakan dalam penelitian ini adalah:
a. Komputer,
b. Alat tulis,
3.2.4 Perhitungan dan Pengolahan Data

Berikut ini adalah tahapan - tahapan pengolahan data dan penarikan
kesimpulan dalam analisis kekeringan di Kecamatan Sekotong :
1. Mengumpulkan data curah hujan bulanan selama 25 tahun (1990 2014).
2. Mentabulasikan data curah hujan bulanan, dimana kolom-kolom menyatakan
curah hujan bulanan dan baris menyatakan tahun.
3. Uji konsistensi data curah hujan bulanan.
Uji konsistensi data hujan ini dilakukan dengan menggunakan metode RAPS
(Rescaled Adjusted Partial Sums) periode tahun 1990-2014.
4. Menghitung analisis kekeringan dengan :
a. Metode Standardized Percipitation Index (SPI).
Adapun tahapan dalam menganalisis indeks kekeringan berdasarkan
metode SPI sebagai berikut :
31
- Menghitung nilai rata-rata dan standar deviasi sepanjang tahun data

pengamatan.
- Menghitung nilai dan menggunakan persamaan (2-8) dan (2-9).
- Menghitung distribusi gamma (G(x)) dengan persamaan (2-10) pada
Microsoft Excel rumus gamma menjadi =GAMMADIST(x,,,true).
- Dilakukan tranformasi kedalam bentuk distribusi normal menggunakan
persamaan (2-11) dan (2-12).
- Menentukan indeks kekeringan berdasarkan klasifikasi dari Mc Kee
terhadap nilai analisis distribusi normal yang merupakan nilai z (SPI)
persamaan (2-14) dan (2-15).
b. Metode Desil
Adapun tahapan dalam menganalisis data hujan kumulatif berdasarkan
metode Desil sebagai berikut :
- Pengelompokkan data hujan pada bulan yang sama sepanjang tahun
pengamatan.
- Akumulasi data hujan bulanan pada tahun yang sama.
- Menentukan klasifikasi tingkat kekeringan berdasarkan kelompok
kelas menurut Gibbs dan Maher.
- Menentukan tingkat kekeringan pada data hujan pengamatan
berdasarkan klasifikasi tingkat kekeringan.
- Pengelompokkan data hujan pada bulan yang sama sepanjang tahun
pengamatan. Pengelompokkan dalam bentuk distribusi frekuensi
sesuai dengan pengertian kata desil yaitu sepersepuluh, maka dianalisis
dalam sepuluh kelompok dengan kelompok pertama memiliki
kemungkinan lebih kecil yakni 10% dari seluruh kejadian,
menggunakan persamaan (2-16).
5. Analisa ketelitian hubgungan indeks kekeringan terhadap El Nino (SOI).
6. Analisa ketelitian hubungan indeks kekeringan terhadap besarnya hujan.
7. Prediksi kekeringan
a. Menghitung bangkitan data curah hujan dengan model Thomas Fiering
sebanyak 6 tahun (2015-2020).
32
- Menghitung rata-rata curah hujan.

- Menghitung simpang baku.
- Menghitung koefisien korelasi.
- Menghitung koefisien regresi.
- Membangkitkan rangkaian bilangan acak berdistribusi seragam
(uniform distribution) yang terletak antara 0 dan 1, diperoleh dari
komputer.
- Menghitung bangkitan data berdasarkan parameter - parameter statistik
dengan menggunakan persamaan (2-18) sampai persamaan (2-23).
b. Menganalisa prediksi kekeringan berdasarkan data curah hujan bangkitan.
33
3.3 Bagan Alir Penelitian

Proses penelitian dilakukan sesuai dengan bagan alir (flow chart) berikut :
Mulai
Persiapan
Pengumpulan data
Data curah hujan

(1990 2014)
Tidak
Uji konsistensi
data
Ya
Analisis kekeringan :
a. Metode Standardized Precipitation Index
(SPI)
b. Metode Desil
Analisis ketelitian antara indeks kekeringan

terhadap El Nino dan besarnya hujan.
Membangkitkan data curah hujan

menggunakan model Thomas Fiering
Data hujan hasil bangkitan

(2015 2020)
Analisa prediksi kekeringan berdasarkan data

curah hujan bangkitan
Pembahasan dan kesimpulan
Selesai
Gambar 3.2 Bagan alir penelitian

34
BAB IV
ANALISA DAN PEMBAHASAN
4.1 Tinjauan Umum

Kecamatan Sekotong merupakan salah satu dari sepuluh Kecamatan yang ada
di Kabupaten Lombok Barat. Kecamatan Sekotong ini berbatasan langsung
dengan Kecamatan Lembar di sebelah Utara, Kabupaten Lombok tengah di
sebelah Timur, lautan Indonesia di sebelah Selatan serta Selat Lombok di sebelah
Barat.
4.2 Analisa Hidrologi

4.2.1 Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data hujan yang
berpengaruh di Kecamatan Sekotong yaitu :
- Stasiun hujan Sekotong (1990-2014)
Desa/Kec/Kab : Sekotong/Sekotong Tengah/Lombok Barat
Elevasi : +35
Data tersebut diperoleh dari BISDA DPU PROV. NTB dan digunakan data
curah hujan bulanan selama 25 tahun dan data tersebut digunakan untuk bangkitan
data menggunakan Model Thomas Fiering, kemudian akan dianalisis prediksi
kekeringannya. Adapun data curah hujan dari stasiun hujan Sekotong dapat dilihat
pada lampiran 1.
35
4.2.2 Uji Konsistensi Data Curah Hujan
Dalam studi ini uji konsistensi data curah hujan menggunakan metode RAPS
(Rescaled Adjusted Partial Sums) seperti tercantum dalam persamaan (2-1) sampai
dengan persamaan (2-5).
Contoh analisis uji konsistensi data curah hujan stasiun hujan Sekotong pada
tahun 1990 adalah sebagai berikut :
1. Curah hujan tahun 1990 (Xi) = 1258 mm
2. Jumlah data hujan (n) = 25
3. Nilai rata-rata keseluruhan hujan ( X ) = 1362,588 mm
4. Nilai Statistik (SK *) = ( x i x )
= 1258 1362,588
= -104,588 mm
(X i X )2
5. Nilai Statistik (Dy2) =
n
(1258 - 1362,588) 2
=
25
= 437,542
Dy
2
6. Dy = = 58094,260 = 241,028
SK *
7. Nilai Statistik SK ** = Dy
- 104,588
= 241,028
= -0,434
8. Harga Mutlak | SK ** | = 0,434
Hasil perhitungan untuk tahun-tahun selanjutnya stasiun hujan Sekotong dapat
dilihat pada Tabel 4.1.
36
Tabel 4.1 Uji RAPS stasiun hujan Sekotong

No Tahun Hujan SK* DY SK** I SK** I
1 2 3 4 5 6 7
1 1990 1258.000 -104.588 437.542 -0.434 0.434
2 1991 1459.000 -8.175 371.815 -0.034 0.034
3 1992 1260.000 -110.763 420.968 -0.460 0.460
4 1993 1420.000 -53.350 131.848 -0.221 0.221
5 1994 1264.000 -151.938 388.780 -0.630 0.630
6 1995 1229.000 -285.525 713.825 -1.185 1.185
7 1996 1229.000 -419.113 713.825 -1.739 1.739
8 1997 1047.000 -734.700 3983.819 -3.048 3.048
9 1998 1510.000 -587.288 869.218 -2.437 2.437
10 1999 1762.000 -187.875 6381.214 -0.779 0.779
11 2000 1101.000 -449.463 2737.121 -1.865 1.865
12 2001 1351.000 -461.050 5.371 -1.913 1.913
13 2002 1344.000 -479.638 13.820 -1.990 1.990
14 2003 1585.000 -257.225 1978.693 -1.067 1.067
15 2004 961.000 -658.813 6450.901 -2.733 2.733
16 2005 1018.000 -1003.400 4749.622 -4.163 4.163
17 2006 1517.500 -848.488 959.915 -3.520 3.520
18 2007 1813.500 -397.575 8132.883 -1.650 1.650
19 2008 1287.000 -473.163 228.539 -1.963 1.963
20 2009 1373.750 -462.000 4.984 -1.917 1.917
21 2010 1396.938 -427.650 47.197 -1.774 1.774
22 2011 972.000 -818.238 6102.344 -3.395 3.395
23 2012 1564.300 -616.525 1627.517 -2.558 2.558
24 2013 1865.800 -113.313 10128.913 -0.470 0.470
25 2014 1475.900 0.000 513.589 0.000 0.000
Total 34064.688 58094.260
Rata-Rata 1362.588
Hasil akar 241.028
n 25
Sk** maks 0.000 Sk ** maks = maks kolom 6
Sk** min -4.163 Sk ** min = min kolom 6
Q 4.163 Q = maks kolom 7
R 4.163 R = SK** maks - SK** min
Q / (n)(1/2) hit 0.833 < Q / (n)(1/2) tabel 90% = 1.11 Konsisten
(1/2) (1/2)
R / (n) hit 0.833 < R / (n) tabel 90% = 1.37 Konsisten
Sumber : Hasil perhitungan
37
Dari hasil perhitungan untuk Uji RAPS data curah hujan, didapatkan nilai
Q / n < Q / n ijin 90% serta R / n < R / n ijin 90 % (pada Tabel 2.4) memenuhi
syarat. Berdasarkan uji konsistensi data dengan menggunakan metode RAPS
(Rescaled Adjusted Parsial Sums) hasil pengujian pada stasiun hujan Sekotong adalah
konsisten. Data yang konsisten menunjukan bahwa data curah hujan yang digunakan
pada analisa ini tidak mengalami perubahan sifat atau pun pergeseran nilai rata-
ratanya (mean).
4.3 Analisa Kekeringan

Kekeringan seringkali dikaitkan dengan suatu kondisi yang ditandai dengan
kurangnya ketersediaan air untuk memenuhi kebutuhan air di sektor manapun, baik
dalam hal pemenuhan kebutuhan irigasi untuk pertanian, maupun pemenuhan
kebutuhan air dalam kegiatan ekonomi. Kekeringan ini bersifat sementara yang salah
satunya dapat terjadi akibat menurunnya curah hujan di suatu daerah.
Analisa kekeringan meteorologis mengukur berapa besar hujan yang jatuh pada
suatu periode tertentu yang dihitung dari data historisnya.
Analisa indeks kekeringan yang akan digunakan yaitu :
1. Metode Standardized Precipitation Index (SPI)
2. Metode Desil
4.3.1 Metode Standardized Precipitation Index (SPI)
Standardized Precipitation Index (SPI) untuk suatu lokasi dihitung
berdasarkan data hujan yang cukup panjang untuk periode yang diinginkan.
SPI positif mengidentifikasikan hujan yang lebih besar dari median dan SPI
negatif menunjukan hujan yang lebih kecil dari median.
McKee et al (1993) menggunakan klasifikasi dibawah ini untuk
mengidentifikasikan intensitas kekeringan, dan juga kriteria kejadian kekeringan
untuk skala waktu tertentu. Kekeringan terjadi pada waktu SPI secara
38
berkesinambungan negatif dan mencapai intensitas kekeringan dengan SPI bernilai -1

atau kurang, sedangkan kekeringan akan berakhir apabila nilai SPI menjadi positif.
Contoh perhitungan bulan Januari tahun 1990 :
1. Menghitung rata-rata :
x
x =
n
dengan :
x = Jumlah kejadian hujan (mm)
n = Jumlah data
x Curah hujan Jan (1990 1991 . . . 2014)

x = =
n 25
6187.700
= 247.508 mm
25
2. Menghitung Standar Deviasi :
( x x) 2
Sd
n 1
dengan :
x = Curah hujan (mm)
n = Jumlah data
( x x) 2
Sd
n 1
2
(505 - 247.508) 2 (356 247.508) 2 ... (478.3 - 247.508)
=
25 1
= 152.405
39
3. Menghitung nilai bentuk alpha :

x2
2
Sd
dengan :
2
x2 247.508
2 = 2.637
Sd 152.405 2
4. Menghitung skala beta :
x

dengan :
= Nilai bentuk (shape)/alpha
x 247.508
= 93.844
2.637
Hasil perhitungan selanjutnya dapat dilihat pada Tabel 4.2.

Tabel 4.2 Perhitungan nilai dan stasiun hujan Sekotong
1990 505.000 79.000 315.000 0.000 34.000 0.000 0.000 11.000 40.000 30.000 37.000 207.000
1991 356.000 487.000 107.000 111.000 58.000 0.000 26.000 0.000 0.000 0.000 209.000 105.000
1992 119.000 381.000 229.000 60.000 0.000 0.000 32.000 0.000 91.000 90.000 178.000 80.000
1993 363.000 302.000 40.000 0.000 0.000 0.000 0.000 32.000 6.000 32.000 57.000 588.000
1994 171.000 249.000 381.000 95.000 0.000 5.000 0.000 0.000 0.000 20.000 173.000 170.000
1995 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1996 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1997 112.000 435.000 79.000 101.000 54.000 44.000 3.000 0.000 0.000 0.000 72.000 147.000
1998 121.000 136.000 280.000 146.000 14.000 9.000 97.000 2.000 72.000 155.000 171.000 307.000
1999 334.000 390.000 276.000 170.000 14.000 2.000 1.000 5.000 1.000 152.000 204.000 213.000
2000 249.000 235.000 270.000 201.000 131.000 15.000 0.000 0.000 0.000 0.000 0.000 0.000
2001 293.000 135.000 185.000 229.000 19.000 95.000 18.000 0.000 0.000 115.000 172.000 90.000
2002 132.000 384.000 0.000 184.000 11.000 3.000 0.000 0.000 0.000 3.000 172.000 455.000
2003 440.000 202.000 88.000 47.000 48.000 11.000 6.000 0.000 59.000 15.000 138.000 531.000
2004 206.000 161.000 116.000 70.000 50.000 3.000 0.000 0.000 0.000 17.000 105.000 233.000
2005 80.000 246.000 231.000 145.000 0.000 38.000 63.000 0.000 0.000 16.000 47.000 152.000
2006 267.000 256.000 326.000 145.000 99.000 62.000 2.000 0.000 0.000 74.500 98.000 188.000
2007 301.000 183.000 215.000 234.500 93.000 36.000 61.000 0.000 0.000 52.000 338.000 300.000
2008 99.000 196.000 180.000 196.000 132.000 36.000 0.000 5.000 8.000 86.000 243.000 106.000
2009 57.000 448.000 79.000 103.000 54.000 44.000 4.000 9.750 1.500 74.250 167.750 331.500
2010 152.000 312.250 179.500 121.500 40.250 23.000 16.250 4.188 0.375 84.813 195.438 267.375
2011 211.200 197.600 144.900 150.000 45.400 9.300 24.700 1.800 32.200 43.300 111.600 0.000
2012 629.300 236.000 4.600 128.800 155.000 2.000 45.700 5.000 7.400 10.100 155.800 184.600
2013 313.900 334.200 175.500 98.400 113.600 134.700 6.900 0.700 7.900 90.300 87.600 502.100
2014 478.300 352.200 101.500 138.000 58.500 0.000 26.300 13.700 0.000 0.000 149.600 157.800
Jumlah 6187.700 7005.250 4361.000 3032.200 1347.750 572.000 432.850 104.138 326.375 1484.263 3487.788 5723.375
Mean (rata-rata) 247.508 280.210 174.440 121.288 53.910 22.880 17.314 4.166 13.055 59.371 139.512 228.935
St dev 152.405 107.245 100.252 62.091 44.782 33.496 25.328 7.048 25.448 55.682 73.043 154.464
n 25 25 25 25 25 25 25 25 25 25 25 25
m 0 0 1 2 4 7 9 12 13 4 1 2
q=m/n 0.000 0.000 0.040 0.080 0.160 0.280 0.360 0.480 0.520 0.160 0.040 0.080
40
Alpha () 2.637 6.827 3.028 3.816 1.449 0.467 0.467 0.349 0.263 1.137 3.648 2.197
Beta () 93.844 41.046 57.615 31.786 37.199 49.037 37.052 11.926 49.606 52.222 38.242 104.218
Keterangan : m = jumlah kejadian hujan 0 mm dalam deret seri data hujan
41
5. Menghitung gamma distribusi :

x x x
1
G( x) g ( x)dx x a1e dx
0
( a ) 0
dengan :
x = Curah hujan (mm)

= Nilai bentuk (shape)/alpha
= Nilai skala (scale)/beta
x x x
1
G( x) g ( x)dx x a1e dx
0
( a ) 0

1 ( )
= () (1)
505
1
= 93.8442.637 x (2.637) 505(2.6371) (93.844)
= 0.934

Tabel 4.3 Perhitungan gamma distribusi G(x) stasiun hujan Sekotong
1990 0.934 0.005 0.907 0.000 0.410 0.000 0.000 0.887 0.903 0.373 0.029 0.533
1991 0.796 0.957 0.279 0.501 0.643 0.000 0.781 0.000 0.000 0.000 0.841 0.216
1992 0.200 0.834 0.753 0.147 0.000 0.000 0.826 0.000 0.977 0.783 0.744 0.139
1993 0.806 0.628 0.032 0.000 0.000 0.000 0.000 0.988 0.619 0.394 0.096 0.969
1994 0.362 0.431 0.959 0.388 0.000 0.377 0.000 0.000 0.000 0.259 0.725 0.425
1995 0.142 0.725 0.594 0.273 0.673 0.000 0.000 0.811 0.000 0.942 0.355 0.524
1996 0.142 0.725 0.594 0.273 0.673 0.000 0.000 0.811 0.000 0.942 0.355 0.524
1997 0.179 0.914 0.155 0.431 0.611 0.834 0.340 0.000 0.000 0.000 0.170 0.353
1998 0.206 0.060 0.860 0.706 0.152 0.484 0.980 0.576 0.962 0.934 0.717 0.751
1999 0.762 0.850 0.853 0.807 0.152 0.251 0.207 0.748 0.394 0.930 0.828 0.549
2000 0.586 0.376 0.843 0.893 0.935 0.592 0.000 0.000 0.000 0.000 0.000 0.000
2001 0.686 0.059 0.616 0.939 0.220 0.956 0.697 0.000 0.000 0.862 0.721 0.169
2002 0.239 0.840 0.000 0.851 0.112 0.301 0.000 0.000 0.000 0.035 0.721 0.913
2003 0.891 0.248 0.193 0.078 0.558 0.525 0.459 0.000 0.945 0.196 0.562 0.951
2004 0.468 0.117 0.321 0.210 0.576 0.301 0.000 0.000 0.000 0.221 0.367 0.600
2005 0.093 0.419 0.758 0.701 0.000 0.803 0.941 0.000 0.000 0.208 0.058 0.369
2006 0.629 0.459 0.919 0.701 0.860 0.898 0.284 0.000 0.000 0.713 0.324 0.479
2007 0.703 0.182 0.714 0.946 0.839 0.791 0.937 0.000 0.000 0.572 0.984 0.739
2008 0.142 0.227 0.598 0.882 0.936 0.791 0.000 0.748 0.663 0.767 0.909 0.220
2009 0.045 0.927 0.155 0.445 0.611 0.834 0.386 0.868 0.438 0.712 0.704 0.789
2010 0.302 0.661 0.596 0.569 0.480 0.690 0.674 0.714 0.305 0.762 0.803 0.677
2011 0.483 0.232 0.453 0.725 0.533 0.490 0.770 0.558 0.875 0.501 0.408 0.000
2012 0.976 0.380 0.000 0.614 0.964 0.251 0.894 0.748 0.651 0.131 0.651 0.469
2013 0.727 0.726 0.581 0.413 0.901 0.983 0.486 0.411 0.661 0.784 0.260 0.939
2014 0.919 0.772 0.253 0.665 0.647 0.000 0.007 0.918 0.000 0.000 0.622 0.387
42
43
6. Menghitung probabilitas kumulatif H(x)
H(x) = + (1 ) . ()
dengan :
q = m/n dengan m adalah jumlah kejadian hujan 0 mm dalam deret seri data
hujan (dapat dilihat pada Tabel 4.2)
G(x) = Gamma distribusi

H(x) = + (1 ) . ()
= 0 + (1 0 ) x 0.934
= 0.934

Tabel 4.4 Perhitungan probabilitas kumulatif H(x) stasiun hujan Sekotong
1990 0.934 0.005 0.911 0.080 0.505 0.280 0.360 0.941 0.953 0.473 0.068 0.570
1991 0.796 0.957 0.307 0.541 0.700 0.280 0.860 0.480 0.520 0.160 0.847 0.279
1992 0.200 0.834 0.763 0.215 0.160 0.280 0.889 0.480 0.989 0.818 0.755 0.208
1993 0.806 0.628 0.071 0.080 0.160 0.280 0.360 0.994 0.817 0.491 0.132 0.971
1994 0.362 0.431 0.961 0.437 0.160 0.551 0.360 0.480 0.520 0.377 0.736 0.471
1995 0.142 0.725 0.610 0.331 0.726 0.280 0.360 0.902 0.520 0.951 0.381 0.562
1996 0.142 0.725 0.610 0.331 0.726 0.280 0.360 0.902 0.520 0.951 0.381 0.562
1997 0.179 0.914 0.189 0.477 0.673 0.880 0.578 0.480 0.520 0.160 0.203 0.405
1998 0.206 0.060 0.865 0.730 0.288 0.628 0.987 0.780 0.982 0.945 0.729 0.771
1999 0.762 0.850 0.859 0.822 0.288 0.460 0.492 0.869 0.709 0.941 0.834 0.585
2000 0.586 0.376 0.849 0.901 0.945 0.706 0.360 0.480 0.520 0.160 0.040 0.080
2001 0.686 0.059 0.631 0.944 0.344 0.968 0.806 0.480 0.520 0.884 0.732 0.235
2002 0.239 0.840 0.040 0.863 0.254 0.497 0.360 0.480 0.520 0.190 0.732 0.920
2003 0.891 0.248 0.225 0.152 0.628 0.658 0.653 0.480 0.974 0.324 0.579 0.955
2004 0.468 0.117 0.348 0.273 0.644 0.497 0.360 0.480 0.520 0.346 0.393 0.632
2005 0.093 0.419 0.768 0.725 0.160 0.858 0.962 0.480 0.520 0.335 0.096 0.419
2006 0.629 0.459 0.922 0.725 0.882 0.927 0.542 0.480 0.520 0.759 0.351 0.521
2007 0.703 0.182 0.726 0.950 0.864 0.850 0.960 0.480 0.520 0.640 0.985 0.760
2008 0.142 0.227 0.614 0.891 0.946 0.850 0.360 0.869 0.838 0.804 0.913 0.282
2009 0.045 0.927 0.189 0.490 0.673 0.880 0.607 0.931 0.730 0.758 0.716 0.806
2010 0.302 0.661 0.612 0.604 0.563 0.777 0.791 0.851 0.667 0.800 0.811 0.703
2011 0.483 0.232 0.475 0.747 0.608 0.633 0.853 0.770 0.940 0.581 0.432 0.080
2012 0.976 0.380 0.040 0.645 0.969 0.460 0.932 0.869 0.832 0.270 0.665 0.512
2013 0.727 0.726 0.597 0.460 0.917 0.988 0.671 0.693 0.837 0.819 0.290 0.944
2014 0.919 0.772 0.283 0.692 0.704 0.280 0.365 0.957 0.520 0.160 0.637 0.436
Keterangan : = 0 < H(x) 0.5

= 0.5 < H(x) 1.0
44
45
7. Menghitung transform gamma distribusi :
1
t ln 2
untuk 0 < H(x) 0.5
H ( x)
1
t ln 2
untuk 0.5 < H(x) 1.0
(1 H ( x))
Contoh perhitungan dengan 0 < H(x) 0.5 yaitu bulan Januari tahun 1992 :
1 = 1.796
t ln
0.200
2
Contoh perhitungan dengan 0.5 < H(x) 1.0 bulan Januari tahun 1990 :
1
t ln 2
= 2.332
(1 0.934)

Tabel 4.5 Perhitungan transform gamma distribusi (t) stasiun hujan Sekotong
1990 2.332 3.274 2.199 2.248 1.185 1.596 1.429 2.380 2.477 1.223 2.317 1.299
1991 1.784 2.504 1.536 1.248 1.553 1.596 1.983 1.212 1.212 1.914 1.938 1.598
1992 1.796 1.896 1.697 1.754 1.914 1.596 2.095 1.212 3.004 1.845 1.676 1.773
1993 1.812 1.405 2.302 2.248 1.914 1.596 1.429 3.191 1.844 1.193 2.011 2.665
1994 1.426 1.297 2.545 1.286 1.914 1.266 1.429 1.212 1.212 1.397 1.633 1.227
1995 1.977 1.608 1.373 1.487 1.608 1.596 1.429 2.154 1.212 2.458 1.390 1.286
1996 1.977 1.608 1.373 1.487 1.608 1.596 1.429 2.154 1.212 2.458 1.390 1.286
1997 1.856 2.213 1.826 1.217 1.496 2.061 1.313 1.212 1.212 1.914 1.786 1.345
1998 1.779 2.370 2.002 1.618 1.578 1.407 2.954 1.740 2.829 2.405 1.615 1.717
1999 1.695 1.950 1.979 1.858 1.578 1.246 1.190 2.016 1.572 2.382 1.897 1.326
2000 1.327 1.399 1.944 2.152 2.409 1.565 1.429 1.212 1.212 1.914 2.537 2.248
2001 1.523 2.382 1.413 2.403 1.460 2.625 1.812 1.212 1.212 2.077 1.624 1.701
2002 1.691 1.914 2.537 1.993 1.655 1.183 1.429 1.212 1.212 1.823 1.624 2.249
2003 2.104 1.669 1.727 1.942 1.407 1.464 1.456 1.212 2.697 1.501 1.316 2.493
2004 1.232 2.073 1.454 1.610 1.437 1.183 1.429 1.212 1.212 1.457 1.367 1.414
2005 2.181 1.318 1.709 1.608 1.914 1.977 2.559 1.212 1.212 1.479 2.167 1.318
2006 1.409 1.248 2.259 1.608 2.068 2.285 1.249 1.212 1.212 1.687 1.447 1.213
2007 1.557 1.846 1.609 2.451 1.999 1.947 2.533 1.212 1.212 1.430 2.888 1.690
2008 1.977 1.723 1.379 2.106 2.419 1.947 1.429 2.016 1.908 1.806 2.208 1.591
2009 2.491 2.287 1.826 1.195 1.496 2.061 1.366 2.314 1.619 1.684 1.586 1.812
2010 1.547 1.471 1.376 1.361 1.287 1.731 1.770 1.953 1.482 1.794 1.825 1.558
2011 1.206 1.708 1.220 1.659 1.368 1.416 1.957 1.715 2.372 1.319 1.296 2.248
2012 2.735 1.392 2.537 1.439 2.640 1.246 2.318 2.016 1.890 1.618 1.479 1.197
2013 1.612 1.609 1.349 1.247 2.229 2.966 1.491 1.538 1.905 1.848 1.574 2.402
2014 2.240 1.720 1.589 1.535 1.560 1.596 1.420 2.511 1.212 1.914 1.423 1.288

= 0.5 < H(x) 1.0
46
47
8. Menghitung nilai SPI :

c0 c1t c 2 t 2
Z SPI (t ) untuk 0 < H(x) 0.5
1 d1t d 2 t 2 d 3t 3
c0 c1t c 2 t 2
Z SPI (t ) untuk 0.5 < H(x) 1.0
1 d 1t d 2 t 2 d 3 t 3
dengan :
c0= 2.515517 d1= 1.432788
c1= 0.802853 d2= 0.189269
c2= 0.010328 d3= 0.001308
Contoh perhitungan dengan 0 < H(x) 0.5 yaitu bulan Januari tahun 1992 :
c0 c1t c 2 t 2
Z SPI (t )
1 d1t d 2 t 2 d 3t 3
2.515517 0.802853x1.796 0.010328 x1.796 2

(1.796 )
1 1.432788 x1.796 0.189269 x1.796 2 0.001308 x1.796 3
= -0.843
Contoh perhitungan dengan 0.5 < H(x) 1.0 bulan Januari tahun 1990 :
c0 c1t c 2 t 2
Z SPI (t )
1 d 1t d 2 t 2 d 3 t 3
2.515517 0.802853x 2.332 0.010328 x 2.332 2

(2.332 )
1 1.432788 x 2.332 0.189269 x 2.332 2 0.001308 x 2.332 3
= 1.508

Tabel 4.6 Perhitungan nilai SPI stasiun hujan Sekotong
1990 1.508 -2.598 1.346 -1.405 0.012 -0.582 -0.358 1.565 1.680 -0.067 -1.490 0.176
1991 0.829 1.712 -0.503 0.102 0.525 -0.582 1.080 -0.050 0.050 -0.994 1.024 -0.585
1992 -0.843 0.971 0.716 -0.789 -0.994 -0.582 1.219 -0.050 2.291 0.907 0.689 -0.814
1993 0.864 0.325 -1.471 -1.405 -0.994 -0.582 -0.358 2.504 0.905 -0.023 -1.115 1.901
1994 -0.353 -0.173 1.760 -0.158 -0.994 0.129 -0.358 -0.050 0.050 -0.313 0.632 -0.072
1995 -1.073 0.598 0.279 -0.437 0.599 -0.582 -0.358 1.291 0.050 1.658 -0.303 0.157
1996 -1.073 0.598 0.279 -0.437 0.599 -0.582 -0.358 1.291 0.050 1.658 -0.303 0.157
1997 -0.920 1.363 -0.882 -0.058 0.448 1.178 0.195 -0.050 0.050 -0.994 -0.831 -0.241
1998 -0.822 -1.552 1.104 0.612 -0.560 0.327 2.235 0.771 2.091 1.595 0.608 0.742
1999 0.714 1.038 1.075 0.923 -0.560 -0.099 -0.019 1.122 0.551 1.567 0.972 0.214
2000 0.216 -0.316 1.032 1.289 1.599 0.542 -0.358 -0.050 0.050 -0.994 -1.751 -1.405
2001 0.485 -1.567 0.335 1.592 -0.400 1.854 0.864 -0.050 0.050 1.197 0.620 -0.721
2002 -0.708 0.993 -1.751 1.093 -0.661 -0.009 -0.358 -0.050 0.050 -0.879 0.620 1.408
2003 1.230 -0.679 -0.754 -1.029 0.327 0.406 0.394 -0.050 1.938 -0.455 0.199 1.699
2004 -0.079 -1.193 -0.391 -0.602 0.369 -0.009 -0.358 -0.050 0.050 -0.396 -0.272 0.336
2005 -1.325 -0.203 0.732 0.598 -0.994 1.073 1.776 -0.050 0.050 -0.425 -1.308 -0.203
2006 0.330 -0.103 1.419 0.598 1.186 1.451 0.104 -0.050 0.050 0.703 -0.382 0.052
2007 0.532 -0.907 0.600 1.649 1.101 1.036 1.745 -0.050 0.050 0.359 2.159 0.707
2008 -1.073 -0.750 0.289 1.233 1.611 1.036 -0.358 1.122 0.986 0.856 1.357 -0.577
2009 -1.697 1.453 -0.882 -0.025 0.448 1.178 0.271 1.486 0.613 0.699 0.570 0.864
2010 -0.518 0.414 0.284 0.263 0.159 0.760 0.810 1.043 0.430 0.841 0.881 0.533
2011 -0.042 -0.731 -0.062 0.666 0.273 0.339 1.048 0.739 1.555 0.204 -0.172 -1.405
2012 1.982 -0.306 -1.750 0.371 1.872 -0.099 1.490 1.122 0.963 -0.613 0.426 0.029
2013 0.604 0.600 0.246 -0.101 1.383 2.248 0.442 0.505 0.982 0.910 -0.554 1.591
2014 1.396 0.746 -0.573 0.502 0.535 -0.582 -0.345 1.720 0.050 -0.994 0.349 -0.160

= 0.5 < H(x) 1.0
48
49
3
2.5
2
1.5
1
0.5
Nilai SPI
0
-0.5
-1
-1.5
-2
-2.5
-3
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
Tahun
Gambar 4.1 Grafik nilai SPI stasiun hujan Sekotong

Keterangan :
: Titik tahun yang mengalami kekeringan dalam tingkat Amat Sangat Kering
: Titik tahun yang mengalami kekeringan dalam tingkat Sangat Kering
: Titik tahun yang mengalami kekeringan dalam tingkat Cukup Kering
Kekeringan terparah jatuh pada tahun 1990 dengan nilai SPI amat sangat
kering dengan nilai SPI -2.598.
Untuk lebih jelasnya dapat dilihat pada Tabel 4.7 untuk tingkat kekeringan.
50
Tabel 4.7 Klasifikasi tingkat kekeringan SPI stasiun hujan Sekotong

1990 SB ASK CB CK N N N SB SB N CK N
1991 N SB N N N N CB N N N CB N
1992 N N N N N N CB N ASB N N N
1993 N N CK CK N N N N N N CK SB
1994 N N SB N N N N N N N N N
1995 CK N N N N N N CB N SB N N
1996 CK N N N N N N CB N SB N N
1997 N CB N N N CB N N N N N N
1998 N SK CB N N N ASB N ASB SB N N
1999 N CB CB N N N N CB N SB N N
2000 N N CB CB SB N N N N N SK CK
2001 N SK N SB N SB N N N CB N N
2002 N N SK CB N N N N N N N CB
2003 CB N N CK N N N N SB N N SB
2004 N CK N N N N N N N N N N
2005 CK N N N N CB SB N N N N N
2006 N N CB N CB CB N N N N N N
2007 N N N SB CB CB SB N N N ASB N
2008 CK N N CB SB CB N CB N N CB N
2009 SK CB N N N CB N CB N N N N
2010 N N N N N N N CB N N N N
2011 N N N N N N CB N SB N N CK
2012 SB N SK N SB N CB CB N N N N
2013 N N N N CB SB N N N N N SB
2014 CB N N N N N N SB N N N N
Keterangan :
ASK : Amat sangat kering CB : Cukup basah
SK : Sangat kering SB : Sangat basah
CK : Cukup kering ASB : Amat sangat basah
N : Normal
51
4.3.2 Metode Desil

Kata desil berasal dari satu per sepuluh, dimana rentetan data di urut menjadi
10 kelompok. Kelompok pertama adalah hujan dengan kemungkinan lebih kecil 10%
dari seluruh kejadian. Kelompok kedua adalah curah hujan dengan kemungkinan
lebih kecil 20% dari seluruh kejadian. Rumus metode Desil-n secara umum menurut
Hadi,1989 yaitu :
n
10 N cf b
Dn Bb . i
fd

dengan :
Dn = Desil-n yang dicari pada suatu titik yang membatasi 10 % frekwensi
yang terbawah dalam distribusi.
Bb = Batas bawah rentang interval Desil-n (nyata)
cf b = Frekwensi kumulatif di bawah Desil-n yang dicari
f d = Frekwensi pada interval Desil-n yang dicari
N = Jumlah seluruh frekwensi dalam distribusi

n = Desil yang dicari
i = lebar interval
Dalam perhitungan desil seri data curah hujan diurutkan dari nilai terkecil
hingga nilai terbesar terlebih dahulu. Pengurutan curah hujan dari nilai terkecil
hingga terbesar stasiun hujan Sekotong dapat dilihat pada lampiran 2.
52
Contoh perhitungan bulan Januari :

1. Mencari Desil-1
Dari tabel 4.28 akan dicari Desil-1 (D1). Kemudian mencari letak D1 atau
1/10 dari seluruh kejadian.
1
1 = 10 = 10 25 = 2.5 (terletak di 99.000)
Tabel 4.8 Nilai f d dan cf b bulan Januari stasiun hujan Sekotong
Jan fd cf b
57.000 1 1
80.000 1 2
99.000 1 3
99.000 1 4
99.000 1 5
112.000 1 6
119.000 1 7
121.000 1 8
132.000 1 9
152.000 1 10
171.000 1 11
206.000 1 12
211.000 1 13
249.000 1 14
267.000 1 15
293.000 1 16
301.000 1 17
313.900 1 18
334.000 1 19
356.000 1 20
363.000 1 21
440.000 1 22
478.300 1 23
505.000 1 24
629.300 1 25
53
Setelah diketahui letak D1 maka dengan melihat tabel 4.8 dapat diketahui :
99.000 80.000
Bb = 89.500
2
cf b = 2
fd = 1
N = 25
n =1
i = 99.000 80.000 = 19.000
Data diatas dimasukkan kedalam rumus desil :
n
10 N cf b
D1 Bb . i
fd

1
10 25 2
D1 89.500 . 19.000
1

= 99.000 mm
Proses perhitungan untuk mencari D2, D3, D4, D5, D6, D7, D8, D9, dan D10
tidak berbeda dan dapat dilihat di lampiran 3 sampai 14. Hasil perhitungan untuk nilai
desil bulan Januari dapat dilihat pada Tabel 4.9.
54
Tabel 4.9 Perhitungan nilai desil bulan Januari stasiun hujan Sekotong
Desil Letak Bb fd cf b i Nilai
1 2.5 89.500 1 2 19 99
2 5 99.000 1 4 0 99
3 7.5 120.000 1 7 2 121
4 10 142.000 1 9 20 162
5 12.5 208.600 1 12 5.2 211.2
6 15 258.000 1 14 18 276
7 17.5 307.450 1 17 12.9 313.9
8 20 345.000 1 19 22 367
9 22.5 459.150 1 22 38.3 478.3
10 25 567.150 1 24 124.3 691.45
Kemudian curah hujan bulan Januari tersebut di golongkan ke D1, D2, D3, D4,
D5, D6, D7, D8, D9, atau D10 sesuai dengan nilai desil yang didapatkan (Tabel 4.9
diatas).
55
Tabel 4.10 Penggolongan curah hujan ke dalam kelas desil bulan Januari stasiun
hujan Sekotong
Jan Desil
57.000 1
80.000 1
99.000 1
99.000 2
99.000 2
112.000 3
119.000 3
121.000 3
132.000 4
152.000 4
171.000 4
206.000 5
211.200 5
249.000 6
267.000 6
293.000 7
301.000 7
313.900 7
334.000 8
356.000 8
363.000 8
440.000 9
478.300 9
505.000 10
629.300 10
56
Tabel 4.11 Klasifikasi tingkat kekeringan desil bulan Januari stasiun hujan Sekotong
Tahun Jan Desil Klasifikasi
1990 505.000 10 ASB
1992 356.000 8 CB
1993 119.000 3 CK
1994 363.000 8 CB
1995 171.000 4 N
1999 99.000 1 ASK
2000 99.000 2 SK
2001 112.000 3 CK
2002 121.000 3 CK
2004 334.000 8 CB
2005 249.000 6 N
2007 293.000 7 N
2008 132.000 4 N
2010 440.000 9 SB
2013 206.000 5 N
2009 80.000 1 ASK
2012 267.000 6 N
2003 301.000 7 N
2011 99.000 2 SK
2006 57.000 1 ASK
1997 152.000 4 N
1991 211.200 5 N
1998 629.300 10 ASB
1996 313.900 7 N
2014 478.300 9 SB
Hasil perhitungan untuk bulan-bulan selanjutnya stasiun hujan Sekotong dapat

dilihat pada Tabel 4.12
57
Tabel 4.12 Rekapitulasi desil stasiun hujan Sekotong

1990 10 1 9 1 4 1 1 9 9 5 1 6
1991 8 10 3 5 7 1 8 1 1 1 9 2
1992 3 8 7 2 1 1 9 1 10 8 8 1
1993 8 6 1 1 1 2 1 10 7 5 2 10
1994 4 5 10 3 1 5 1 1 1 4 8 4
1995 1 7 5 3 7 2 2 8 1 10 3 5
1996 2 7 5 3 7 3 2 8 2 10 3 5
1997 3 9 2 4 6 9 5 2 2 1 2 3
1998 3 1 8 7 2 5 10 6 10 9 7 8
1999 8 8 8 8 2 3 4 7 6 9 9 7
2000 6 4 8 9 9 7 3 2 3 1 1 1
2001 7 1 7 10 3 10 7 3 3 9 7 2
2002 4 8 1 9 2 4 3 3 3 2 7 9
2003 9 3 2 1 5 6 6 3 9 3 5 10
2004 5 2 4 2 5 4 3 4 4 4 4 7
2005 1 5 8 7 1 8 10 4 4 3 1 3
2006 6 5 10 7 8 9 5 5 5 6 3 5
2007 7 2 7 10 8 7 9 5 5 6 10 8
2008 2 3 6 9 10 7 4 7 8 7 10 2
2009 1 10 2 5 6 9 5 9 7 6 6 9
2010 4 6 6 5 4 7 7 7 6 6 9 7
2011 5 3 4 8 5 6 7 6 9 5 5 1
2012 10 4 1 6 10 3 9 7 7 3 6 5
2013 7 7 5 4 9 10 6 5 8 8 3 9
2014 9 8 3 6 7 3 8 10 5 1 5 4
58
1
Desil
-1
-2
-3
-4
2005
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2006
2007
2008
2009
2010
2011
2012
2013
2014
Tahun
Gambar 4.2 Grafik nilai desil stasiun hujan Sekotong
Presentase kejadian kekeringan untuk stasiun hujan Sekotong selama 25 tahun

pengamatan sebesar 32.667%.
Untuk lebih jelasnya dapat dilihat pada Tabel 4.36 untuk tingkat kekeringan
pada stasiun hujan Sekotong.
59
Tabel 4.13 Klasifikasi tingkat kekeringan desil stasiun hujan Sekotong

Tahun Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nov Des
1990 ASB ASK SB ASK N ASK ASK SB SB N ASK N
1991 CB ASB CK N N ASK CB ASK ASK ASK SB SK
1992 CK CB N SK ASK ASK SB ASK ASB CB CB ASK
1993 CB N ASK ASK ASK SK ASK ASB N N SK ASB
1994 N N ASB CK ASK N ASK ASK ASK N CB N
1995 ASK N N CK N SK SK CB ASK ASB CK N
1996 SK N N CK N CK SK CB SK ASB CK N
1997 CK SB SK N N SB N SK SK ASK SK CK
1998 CK ASK CB N SK N ASB N ASB SB N CB
1999 CB CB CB CB SK CK N N N SB SB N
2000 N N CB SB SB N CK SK CK ASK ASK ASK
2001 N ASK N ASB CK ASB N CK CK SB N SK
2002 N CB ASK SB SK N CK CK CK SK N SB
2003 SB CK SK ASK N N N CK SB CK N ASB
2004 N SK N SK N N CK N N N N N
2005 ASK N CB N ASK CB ASB N N CK ASK CK
2006 N N ASB N CB SB N N N N CK N
2007 N SK N ASB CB N SB N N N ASB CB
2008 SK CK N SB ASB N N N CB N ASB SK
2009 ASK ASB SK N N SB N SB N N N SB
2010 N N N N N N N N N N SB N
2011 N CK N CB N N N N SB N N ASK
2012 ASB N ASK N ASB CK SB N N CK N N
2013 N N N N SB ASB N N CB CB CK SB
2014 SB CB CK N N CK CB ASB N ASK N N
Keterangan :
N : Normal
60
Dari kedua metode analisis kekeringan baik SPI maupun Desil keduanya
memiliki kesamaan yaitu sasiun hujan yang berpengaruh di Kecamatan Sekotong
yaitu stasiun hujan Sekotong menunjukkan kejadian kekeringan yang cukup tinggi.
Oleh karena itu Kecamatan Sekotong termasuk salah satu daerah yang mengalami
kekeringan terparah karena stasiun hujan yang berpengaruh memiliki kejadian
kekeringan yang cukup tinggi.
4.4 Evaluasi Ketelitian Hubungan Indeks Kekeringan Terhadap El Nino (SOI)

Evaluasi ini bertujuan untuk mengetahui apakah nilai El Nino SOI
mempengaruhi terjadinya kekeringan dengan cara mencari angka koefisien
korelasinya, dimana nilai SPI dan Desil merupakan nilai model (Isim), sedangkan
nilai SOI merupakan nilai pengamatan lapangan (Iobs).
Pada penelitian ini digunakan rumus korelasi pada Microsoft Excel menggunakan
fungsi =CORREL(array1,array2). Berikut adalah hasil perhitungan :
Tabel 4.14 Hasil perhitungan koefisien korelasi antara SPI- SOI dan Desil- SOI
r
SPI- SOI 0.175
Desil- SOI 0.216
Dari tabel diatas dapat dilihat bahwa SPI- SOI menghasilkan angka koefisien
korelasi 0.175 (sangat rendah), sedangkan Desil- SOI menghasilkan angka korelasi
0.216 (rendah), karena selama tahun pengamatan hanya beberapa saja/sebagian kecil
yang memperlihatkan adanya hubungan yang searah, dapat dilihat pada grafik
berikut.
61
Gambar 4.3 Grafik nilai SPI dan nilai SOI stasiun hujan Sekotong
62
Gambar 4.4 Grafik Desil dan nilai SOI stasiun hujan Sekotong
63
Dari hasil analisa maka dapat disimpulkan bahwa nilai indeks kekeringan
berdasarkan metode SPI dan Desil di Kecamatan Sekotong, keduanya tidak
berkorelasi kuat terhadap nilai EL Nino (SOI).
4.5 Evaluasi Ketelitian Hubungan Indeks Kekeringan Terhadap Besarnya

Curah Hujan.
Evaluasi ini dilakukan dengan cara mencari angka koefisien korelasinya, dimana
nilai SPI dan Desil merupakan nilai model (Isim), sedangkan besarnya hujan
merupakan nilai pengamatan lapangan (Iobs).
Pada penelitian ini digunakan rumus korelasi pada Microsoft Excel menggunakan
fungsi =CORREL(array1,array2). Berikut adalah hasil perhitungan :
Tabel 4.15 Hasil perhitungan koefisien korelasi antara SPI-Curah Hujan
dan Desil-Curah Hujan
r
SPI-Curah Hujan 0.400
Desil-Curah Hujan 0.510
Dari tabel diatas dapat dilihat bahwa SPI-Curah Hujan menghasilkan angka
koefisien korelasi 0.400 (cukup kuat), sedangkan Desil-Curah Hujan menghasilkan
angka korelasi 0.510 (cukup kuat). Dapat dilihat pada grafik berikut.
64
Gambar 4.5 Grafik Curah Hujan-SPI stasiun hujan Sekotong

65
Gambar 8 Grafik Curah Hujan-Desil stasiun hujan Sekotong

66
Dari hasil analisa maka dapat disimpulkan bahwa nilai indeks kekeringan
berdasarkan metode SPI dan Desil, keduanya berkorelasi cukup kuat terhadap
besarnya curah hujan.
4.6 Prediksi Kekeringan

Prediksi kekeringan dilakukan dengan membangkitkan data hujan kemudian di
analisis kekeringannya menggunakan metode SPI dan Desil.
4.5.1 Bangkitan Data Curah Hujan dengan Model Thomas Fiering
Menghitung parameter-parameter statistik.
1. Menghitung curah hujan rata-rata setengah bulanan.
Persamaan yang dipakai untuk menghitung curah hujan rata-rata adalah :
n
p i, j
pj i 1
n
Dengan:
pij = Curah hujan ke-I, bulan ke-j (mm)

n = Panjang data bulan ke-j
Contoh perhitungan :
a. Rata-rata bulan Januari :
n
p i 1
i, j
Curah hujan Jan (1990 1991 . . . 2014)
pj =
n 25
6187.700
= 247.508 mm
25
Tabel 4.16 Perhitungan rata-rata curah hujan stasiun hujan Sekotong
1990 505.000 79.000 315.000 0.000 34.000 0.000 0.000 11.000 40.000 30.000 37.000 207.000
1991 356.000 487.000 107.000 111.000 58.000 0.000 26.000 0.000 0.000 0.000 209.000 105.000
1992 119.000 381.000 229.000 60.000 0.000 0.000 32.000 0.000 91.000 90.000 178.000 80.000
1993 363.000 302.000 40.000 0.000 0.000 0.000 0.000 32.000 6.000 32.000 57.000 588.000
1994 171.000 249.000 381.000 95.000 0.000 5.000 0.000 0.000 0.000 20.000 173.000 170.000
1995 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1996 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1997 112.000 435.000 79.000 101.000 54.000 44.000 3.000 0.000 0.000 0.000 72.000 147.000
1998 121.000 136.000 280.000 146.000 14.000 9.000 97.000 2.000 72.000 155.000 171.000 307.000
1999 334.000 390.000 276.000 170.000 14.000 2.000 1.000 5.000 1.000 152.000 204.000 213.000
2000 249.000 235.000 270.000 201.000 131.000 15.000 0.000 0.000 0.000 0.000 0.000 0.000
2001 293.000 135.000 185.000 229.000 19.000 95.000 18.000 0.000 0.000 115.000 172.000 90.000
2002 132.000 384.000 0.000 184.000 11.000 3.000 0.000 0.000 0.000 3.000 172.000 455.000
2003 440.000 202.000 88.000 47.000 48.000 11.000 6.000 0.000 59.000 15.000 138.000 531.000
2004 206.000 161.000 116.000 70.000 50.000 3.000 0.000 0.000 0.000 17.000 105.000 233.000
2005 80.000 246.000 231.000 145.000 0.000 38.000 63.000 0.000 0.000 16.000 47.000 152.000
2006 267.000 256.000 326.000 145.000 99.000 62.000 2.000 0.000 0.000 74.500 98.000 188.000
2007 301.000 183.000 215.000 234.500 93.000 36.000 61.000 0.000 0.000 52.000 338.000 300.000
2008 99.000 196.000 180.000 196.000 132.000 36.000 0.000 5.000 8.000 86.000 243.000 106.000
2009 57.000 448.000 79.000 103.000 54.000 44.000 4.000 9.750 1.500 74.250 167.750 331.500
2010 152.000 312.250 179.500 121.500 40.250 23.000 16.250 4.188 0.375 84.813 195.438 267.375
2011 211.200 197.600 144.900 150.000 45.400 9.300 24.700 1.800 32.200 43.300 111.600 0.000
2012 629.300 236.000 4.600 128.800 155.000 2.000 45.700 5.000 7.400 10.100 155.800 184.600
2013 313.900 334.200 175.500 98.400 113.600 134.700 6.900 0.700 7.900 90.300 87.600 502.100
2014 478.300 352.200 101.500 138.000 58.500 0.000 26.300 13.700 0.000 0.000 149.600 157.800
Jumlah 6187.700 7005.250 4361.000 3032.200 1347.750 572.000 432.850 104.138 326.375 1484.263 3487.788 5723.375
Rerata 247.508 280.210 174.440 121.288 53.910 22.880 17.314 4.166 13.055 59.371 139.512 228.935
67
68
2. Menghitung simpangan baku/standar deviasi

Persamaan yang dipakai untuk menghitung nilai simpangan baku adalah
sebagai berikut :
n
(p
i 1
i, j p j )2
sj
n 1
dengan :
pi,j = Curah hujan tahun ke-I, bulan ke-j (mm)
a) Simpangan baku bulan Januari (Sj) :

( pi , j p j ) = 505 247.508 = 257.492 mm
( pi , j p j ) 2 = 257.4922 = 66302.130 mm2
69
Tabel 4.17 Analisis parameter nilai simpangan baku bulan Januari (Sj)
Tahun pi j ( pi , j p j ) ( pi , j p j ) 2
1990 505.000 257.492 66302.130
1991 356.000 108.492 11770.514
1992 119.000 -128.508 16514.306
1993 363.000 115.492 13338.402
1994 171.000 -76.508 5853.474
1995 99.000 -148.508 22054.626
1996 99.000 -148.508 22054.626
1997 112.000 -135.508 18362.418
1998 121.000 -126.508 16004.274
1999 334.000 86.492 7480.866
2000 249.000 1.492 2.226
2001 293.000 45.492 2069.522
2002 132.000 -115.508 13342.098
2003 440.000 192.492 37053.170
2004 206.000 -41.508 1722.914
2005 80.000 -167.508 28058.930
2006 267.000 19.492 379.938
2007 301.000 53.492 2861.394
2008 99.000 -148.508 22054.626
2009 57.000 -190.508 36293.298
2010 152.000 -95.508 9121.778
2011 211.200 -36.308 1318.271
2012 629.300 381.792 145765.131
2013 313.900 66.392 4407.898
2014 478.300 230.792 53264.947
Jumlah 6187.700 - 557451.778
Rerata 247.508 - -
Sehingga simpangan baku untuk bulan Januari (Sj) :

n
( p i, j p j )2
557451.778
sj i 1
152.405mm
n 1 25 1
70
Hasil perhitungan selanjutnya untuk stasiun hujan Sekotong dapat dilihat

pada Tabel 4.18.
Tabel 4.18 Nilai simpangan baku pada masing-masing bulan stasiun hujan Sekotong
No Bulan sj
1 Jan 152.405
2 Feb 107.245
3 Mar 100.252
4 Apr 62.091
5 Mei 44.782
6 Jun 33.496
7 Jul 25.328
8 Agust 7.048
9 Sept 25.448
10 Okt 55.682
11 Nov 73.043
12 Des 154.464
3. Menghitung koefisien korelasi

Persamaan yang dipakai untuk perhitungan nilai koefisien korelasi adalah
sebagai berikut :
( p
n
i, j p j ) ( pi , j 1 p j 1 )
rj i 1
( p
n
i, j p j ) 2 ( pi , j 1 p j 1 ) 2
i 1
dengan:
pi,j = Curah hujan tahun ke-i, bulan ke-j (mm)
pi,j-1 = Curah hujan tahun ke-i, bulan ke j-1 (mm)

p j -1 = Curah hujan rerata bulan ke j-1 (mm)
71
a) Koefisien korelasi bulan Januari (rj) :

dengan :
pi,j adalah curah hujan bulan Januari
pi,j-1 adalah curah hujan bulan Desember
pj adalah curah hujan rata-rata bulan Januari
p j -1 adalah curah hujan rata-rata bulan Desember
Pehitungan parameter koefisien korelasi (rj) bulan Januari stasiun hujan

Sekotong dapat dilihat pada Tabel 4.19.
72
Tabel 4.19 Analisa parameter koefisien korelasi (rj) bulan Januari stasiun hujan Sekotong
( pi , j p j )
pi, j pi , j 1 pj pi , j p j p j 1 pi , j 1 p j 1 ( pi , j p j )2 ( pi , j 1 p j 1 ) 2
( pi , j 1 p j 1 )
1 2 3 4 5 6 7 8 9 10 = 5 x 7
1 505 207 247.508 257.492 228.935 -21.935 66302.130 481.144 -5648.087
2 356 105 247.508 108.492 228.935 -123.935 11770.514 15359.884 -13445.956
3 119 80 247.508 -128.508 228.935 -148.935 16514.306 22181.634 19139.339
4 363 588 247.508 115.492 228.935 359.065 13338.402 128927.674 41469.135
5 171 170 247.508 -76.508 228.935 -58.935 5853.474 3473.334 4508.999
6 99 204 247.508 -148.508 228.935 -24.935 22054.626 621.754 3703.047
7 99 204 247.508 -148.508 228.935 -24.935 22054.626 621.754 3703.047
8 112 147 247.508 -135.508 228.935 -81.935 18362.418 6713.344 11102.848
9 121 307 247.508 -126.508 228.935 78.065 16004.274 6094.144 -9875.847
10 334 213 247.508 86.492 228.935 -15.935 7480.866 253.924 -1378.250
11 249 0 247.508 1.492 228.935 -228.935 2.226 52411.234 -341.571
12 293 90 247.508 45.492 228.935 -138.935 2069.522 19302.934 -6320.431
13 132 455 247.508 -115.508 228.935 226.065 13342.098 51105.384 -26112.316
14 440 531 247.508 192.492 228.935 302.065 37053.170 91243.264 58145.096
15 206 233 247.508 -41.508 228.935 4.065 1722.914 16.524 -168.730
16 80 152 247.508 -167.508 228.935 -76.935 28058.930 5918.994 12887.228
17 267 188 247.508 19.492 228.935 -40.935 379.938 1675.674 -797.905
18 301 300 247.508 53.492 228.935 71.065 2861.394 5050.234 3801.409
19 99 106 247.508 -148.508 228.935 -122.935 22054.626 15113.014 18256.831
20 57 331.5 247.508 -190.508 228.935 102.565 36293.298 10519.579 -19539.453
21 152 267.375 247.508 -95.508 228.935 38.44 9121.778 1477.634 -3671.328
22 211.2 0 247.508 -36.308 228.935 -228.935 1318.271 52411.234 8312.172
23 629.3 184.6 247.508 381.792 228.935 -44.335 145765.131 1965.592 -16926.748
24 313.9 502.1 247.508 66.392 228.935 273.165 4407.898 74619.117 18135.971
25 478.3 157.8 247.508 230.792 228.935 -71.135 53264.947 5060.188 -16417.389
Jumlah 6187.700 5723.375 0.000 0.000 557451.778 572619.195 82521.111
73
Berdasarkan analisa parameter koefisien korelasi pada tabel diatas maka

diperoleh nilai koefisien korelasi (rj) :
( p
n
i, j p j ) ( pi , j 1 p j 1 )
rj i 1
( p
n
i, j p j ) 2 ( pi , j 1 p j 1 ) 2
i 1
82521.111
0.146
(557451.778) (572619.195)
Untuk hasil perhitungan nilai koefisien regresi bulan selanjutnya dapat dilihat
pada Tabel 4.20.
Tabel 4.20 Nilai koefisien korelasi pada masing-masing bulan stasiun hujan Sekotong
No Bulan rj
1 Jan 0.146
2 Feb -0.233
3 Mar -0.371
4 Apr 0.106
5 Mei 0.294
6 Jun 0.271
7 Jul -0.030
8 Agust -0.200
9 Sept -0.098
10 Okt 0.159
11 Nov 0.207
12 Des 0.019
74
4. Menghitung koefisien regresi

Persamaan yang dipakai untuk perhitungan nilai koefisien regresi (bj) adalah
sebagai berikut :
rj s j
bj
s j 1
dengan :
bj = Koefisien regres bulan ke-j
Sj-1= Simpangan baku bulan ke-j-1
a. Koefisien Regresi bulan Januari

dengan :
Koefisien korelasi (rj) bulan Januari : 0.146
Simpangan baku bulan ke j (Januari) : 152.405 mm
Simpangan baku bulan ke j-1 (Desember) : 154.464 mm
Maka diperoleh nilai koefisien regresi untuk bulan Januari :
rj s j 0.146 152.405
bj 0.144
s j 1 154.464
b. Koefisien Regresi bulan Februari
dengan :
Koefisien korelasi (rj) bulan Februari : -0.233
Simpangan baku bulan ke j (Februari) : 107.245 mm
Simpangan baku bulan ke j-1 (Januari) : 152.405 mm
Maka diperoleh nilai koefisien regresi untuk bulan Februari :
rj s j 0.233 107.245
bj 0.614
s j 1 152.405
75
Tabel 4.21 Nilai koefisien regresi pada masing-masing bulan stasiun hujan Sekotong
No Bulan bj
1 Jan 0.144
2 Feb -0.164
3 Mar -0.347
4 Apr 0.066
5 Mei 0.212
6 Jun 0.203
7 Jul -0.023
8 Agust -0.056
9 Sept -0.354
10 Okt 0.348
11 Nov 0.272
12 Des 0.041
5. Menentukan rangkaian bilangan acak dengan menggunakan program Minitab.

Rangkaian bilangan acak yang didapat dari program Minitab16 dapat dilihat
pada Tabel 4.22.
Tabel 4.22 Nilai bilangan acak
2015 2016 2017 2018 2019 2020
0.452 0.091 -1.189 0.719 0.519 -0.678
-0.163 0.123 -1.132 0.987 -0.788 -0.973
0.020 -0.794 0.417 0.303 -0.906 0.651
-0.507 -0.331 1.059 1.549 -0.581 -0.582
1.227 2.406 0.047 -0.123 -0.535 0.593
-0.233 -0.409 -1.358 0.053 0.031 -0.136
-0.300 2.255 2.140 -0.717 -0.398 -0.667
0.617 -0.586 0.736 0.861 0.332 -0.249
-2.005 -0.162 -1.119 -0.620 -0.565 0.717
-1.051 -1.702 1.328 -2.021 0.655 0.803
-0.231 -0.859 -1.612 0.470 0.153 0.486
-0.692 2.618 -0.319 -0.217 -1.154 0.392
Sumber : Program Minitab16
76
6. Membangkitkan data hujan

Setelah semua parameter statistik dan rangkaian bilang acak diketahui maka
data bangkitan menggunakan metode Thomas Fiering dapat dicari. Dengan demikian
didapat nilai prediksi data hujan pada tahun 2015 - 2020.
Persamaan yang digunakan adalah :
p i, j = pj + Bj . ( pi , j 1 p j 1 ) + ti,j. s j (1 r j 2 )
Berikut analisis bangkitan data untuk stasiun hujan Sekotong pada tahun 2015
dan hanya menampilkan contoh perhitungan bangkitan untuk bulan Januari.
Diketahui :
Curah hujan (pi,j-1) bulan Jan (Des tahun 2014) : 157.800 mm
Curah hujan rata-rata ( p j ) bulan Jan : 247.508 mm
Curah hujan rata-rata ( p j 1 ) bulan Jan : 228.935 mm
Koefisien korelasi (rj) bulan Jan : 0.146

Simpangan baku (sj) bulan Jan : 152.405 mm
Koefisien regresi (bj) bulan Jan : 0.144
Nilai variant acak (tij) bulan Jan : 0.452
Maka diperoleh data hasil bangkitan untuk bulan Januari I, yaitu

pi , j 247.508 0.144 157.800 228.935 0.452 152..405 (1 0.146
2

pi , j 305.471 mm
Perhitungan bangkitan data curah hujan tahun 2015 stasiun hujan Sekotong
dapat dilihat pada Tabel 4.23, sedangkan tahun - tahun selanjutnya stasiun hujan
Sekotong dapat dilihat dilampiran 15 sampai 19.
77
Tabel 4.23 Perhitungan bangkitan data curah hujan tahun 2015 stasiun hujan Sekotong
Bulan pij-1 pj pj-1 sj sj-1 rj bj tij pij
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 0.452 305.471
Feb 305.471 280.210 247.508 107.245 152.405 -0.233 -0.164 -0.163 253.723
Mar 253.723 174.440 280.210 100.252 107.245 -0.371 -0.347 0.020 185.504
Apr 185.504 121.288 174.440 62.091 100.252 0.106 0.066 -0.507 90.700
Mei 90.700 53.910 121.288 44.782 62.091 0.294 0.212 1.227 99.955
Jun 99.955 22.880 53.910 33.496 44.782 0.271 0.203 -0.233 24.696
Jul 24.696 17.314 22.880 25.328 33.496 -0.030 -0.023 -0.300 9.683
Agust 9.683 4.166 17.314 7.048 25.328 -0.200 -0.056 0.617 8.851
Sept 8.851 13.055 4.166 25.448 7.048 -0.098 -0.354 -2.005 39.387
Okt 39.387 59.371 13.055 55.682 25.448 0.159 0.348 -1.051 10.789
Nov 10.789 139.512 59.371 73.043 55.682 0.207 0.272 -0.231 109.807
Des 109.807 228.935 139.512 154.464 73.043 0.019 0.041 -0.692 120.883
Tabel 4.24 Rekapitulasi hasil bangkitan data curah hujan stasiun hujan Sekotong
Bulan 2015 2016 2017 2018 2019 2020
Jan 305.471 250.989 58.055 345.671 315.512 135.033
Feb 253.723 292.427 193.238 367.015 186.863 197.239
Mar 185.504 96.326 243.469 172.522 122.502 263.838
Apr 90.700 95.718 191.211 216.810 81.997 91.245
Mei 99.955 151.485 70.763 68.896 22.692 72.908
Jun 24.696 29.467 17.510 27.614 17.556 22.343
Jul 9.683 74.255 71.620 0.936 7.353 0.446
Agust 8.851 3.056 6.219 11.024 7.015 3.387
Sept 39.387 9.347 16.007 5.065 2.252 31.496
Okt 10.789 35.510 133.399 54.530 91.620 109.911
Nov 109.807 71.639 44.456 171.783 159.186 187.993
Des 120.883 630.526 175.758 196.821 51.593 291.409
4.5.2 Prediksi Kekeringan dengan Metode Standardized Precipitation Index

(SPI) dan Desil
Setelah mendapatkan data curah hujan bangkitan selama 6 tahun (2015-
2020), kemudian akan dilakukan analisis kekeringan dengan metode Standardized
Precipitation Index (SPI) dan Desil. Hasil prediksi kekeringan dapat dilihat pada
Tabel 4.25 sampai 4.26, sedangkan perhitungan dapat dilihat dilampiran 20 - 23 .
Tabel 4.25 Klasifikasi tingkat kekeringan SPI prediksi stasiun hujan Sekotong
2015 N N N N CB N N CB SB N N N
2016 N N N N SB N SB N N N N SB
2017 SK N N CB N N SB CB CB CB CK N
2018 N N N CB N N ASB CB N N N N
2019 N N N N N N N CB N N N CK
2020 N N CB N N N ASB N CB CB N N
Kekeringan terparah jatuh pada tahun 2017 dengan nilai SPI sangat
kering dengan nilai SPI -1.766.
79
Tabel 4.26 Klasifikasi tingkat kekeringan Desil prediksi stasiun hujan Sekotong
2015 N N N CK CB N N SB SB CK N CK
2016 N N CK N ASB CB ASB N CB N SK ASB
2017 ASK CK CB SB N N ASB N CB SB ASK N
2018 CB CB N ASB N N N SB N N N N
2019 N SK N CK CK N N CB N CB N ASK
2020 N CK CB N CB N N N CB CB SB CB
Presentase kejadian kekeringan prediksi untuk stasiun hujan Sekotong
sebesar 18,056%.
Keterangan :
N : Normal
4.6 Evaluasi Ketelitian Indeks Kekeringan Prediksi (Data Hujan Bangkitan)

terhadap Kekeringan (Data Hujan Real) Tahun 2015
Saat tahap persiapan data, penulis tidak mendapatkan data hujan tahun 2015,
oleh sebab itu untuk prediksi kekeringan dilakukan pembangkitan hujan dimulai
dari tahun 2015. Dan karena diakhir penelitian ini telah memasuki tahun 2016,
maka penulis baru mendapatkan data hujan 2015. Oleh karena itu dilakukan
verifikasi kekeringan yang terjadi dari hasil pembangkitan data hujan dengan
kekeringan dari hasil data hujan real (lapangan) tahun 2015.
Perhitungan indeks kekeringan dengan data hujan real (lapangan) dapat
dilihat dilampiran. Berikut adalah rekapitulasi verifikasi kekeringan yang terjadi
dari hasil pembangkitan data hujan dengan kekeringan dari hasil data real
(lapangan) tahun 2015 :
80
Tabel 4.27 Evaluasi kekeringan metode SPI stasiun hujan Sekotong tahun 2015
Prediksi Real
2015
SPI Klasifikasi SPI Klasifikasi
Jan 0.582 N 0.224 N
Feb -0.082 N -0.753 N
Mar 0.314 N 0.660 N
Apr -0.296 N 0.816 N
May 1.088 CB 0.359 N
Jun 0.706 N 0.402 N
Jul 0.412 N 0.196 N
Aug 1.269 CB 0.000 N
Sep 1.558 SB 0.538 N
Oct -0.770 N -0.969 N
Nov -0.188 N -1.646 SK
Dec -0.463 N 0.165 N
2.0
1.5
1.0
0.5
SPI
0.0
Prediksi
-0.5
Real
-1.0
-1.5
-2.0
2015
Gambar 4.7 Grafik nilai SPI stasiun hujan Sekotong

Didapatkan nilai angka korelasi antara indeks SPI prediksi dengan indeks
SPI real menggunakan fungsi pada Microsoft Excel =CORREL(array1,array2)
sebesar 0.461.
81
Tabel 4.28 Evaluasi kekeringan metode Desil stasiun hujan Sekotong tahun 2015
Prediksi Real
2015
Desil Klasifikasi Desil Klasifikasi
Jan 7 N 6 N
Feb 5 N 3 CK
Mar 7 N 7 N
Apr 3 CK 8 CB
May 8 CB 5 N
Jun 7 N 6 N
Jul 6 N 5 N
Aug 9 SB 5 N
Sep 9 SB 6 N
Oct 3 CK 2 SK
Nov 5 N 1 ASK
Dec 3 CK 6 N
10
9
8
7
6
Desil
5
4 Prediksi
3 Real
2
1
0
2015
Gambar 4.8 Grafik nilai Desil stasiun hujan Sekotong

Didapatkan nilai angka korelasi antara indeks SPI prediksi dengan indeks
SPI real menggunakan fungsi pada Microsoft Excel =CORREL(array1,array2)
sebesar 0.201.
82
Tabel 4.29 Rekapitulasi angka koefisien korelasi antara indeks kekeringan

prediksi dengan real tahun 2015
r
SPI 0.461
Desil 0.201
Hasil perhitungan evaluasi verfikasi antara prediksi indeks kekeringan

metode SPI dan Desil yang menggunakan data hujan bangkitan output Thomas
Fiering terhadap indeks kekeringan meode SPI dan Desil yang menggunakan data
hujan asli lapangan didapatkan angka korelasi masing-masing sebesar 0,461
(cukup kuat) dan 0,201 (rendah).
83
4.7 Evaluas Hubungan Indeks Kekeringan (Data Hujan Real) Terhadap El

Nino (SOI) Tahun 2015
Analisa ini bertujuan untuk mengetahui apakah nilai El Nino SOI tahun 2015
mempengaruhi terjadinya kekeringan tahun 2015 dengan cara mencari angka
koefisien korelasinya. Berikut adalah hasil analisa :
25 2.5
20 2.0
15 1.5
10 1.0
SOI dan SPI
5 0.5
0 0.0
-5 -0.5 SOI
-10 -1.0 SPI
-15 -1.5
-20 -2.0
-25 -2.5
2015
Gambar 4.9 Grafik nilai SPI - SOI stasiun hujan Sekotong tahun 2015
Didapatkan nilai angka korelasi antara indeks SPI dengan nilai SOI menggunakan
fungsi pada Microsoft Excel =CORREL(array1,array2) sebesar -0.155.
25 10
20 9
15 8
10
7
SOI dan Desil
5
6
0
5 SOI
-5
4 Desil
-10
-15 3
-20 2
-25 1
2015
Gambar 4.10 Grafik nilai Desil - SOI stasiun hujan Sekotong tahun 2015
84
Didapatkan nilai angka korelasi antara Desil dengan nilai SOI

menggunakan fungsi pada Microsoft Excel =CORREL(array1,array2) sebesar
0.001.
Tabel 4.30 Rekapitulasi angka koefisien korelasi antara indeks kekeringan
dengan nilai SOI tahun 2015
r
SPI-SOI -0.155
Desil-SOI 0.001
Hasil perhitungan menghasilkan angka korelasi antara indeks kekeringan
terhadap nilai SOI memiliki interpretasi rendah, yang berarti bahwa indeks
kekeringan metode SPI maupun Desil tidak berkorelasi kuat terhadap fenomena
El Nino (SOI). Oleh karena itu potensi kekeringan tidak hanya bergantung pada
faktor curah hujan yang berkurang pada saat terjadi El Nino.
85
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Dari hasil analisa kekeringan selama 25 tahun (1990-2014) di Kecamatan

Sekotong menunjukkan :
a. Dengan metode Standardized Precipitation Index (SPI) bahwa Kecamatan
Sekotong mengalami kekeringan terparah dengan nilai indeks kekeringan
sebesar -2,598.
b. Dengan metode Desil presentase kejadian kekeringan Kecamatan
Sekotong mengalami keadaan curah hujan di bawah normal (kering)
sebesar 32,667%.
2. Nilai indeks kekeringan berdasarkan metode SPI dan Desil di Kecamatan
Sekotong, keduanya tidak berkorelasi kuat terhadap nilai EL Nino (SOI)
dengan nilai (r) masing-masing sebesar 0,175 dan 0,216.
3. Nilai indeks kekeringan berdasarkan metode SPI dan Desil, keduanya
berkorelasi cukup kuat terhadap besarnya curah hujan dengan nilai (r)
masing-masing sebesar 0,400 dan 0,510.
4. Prediksi indeks kekeringan metode SPI dan Desil yang menggunakan data
curah hujan bangkitan output Thomas Fiering masih kurang tepat dalam
memprediksi atau meramalkan indeks kekeringan di Kecamatan Sekotong.
5.2 Saran
1. Potensi kekeringan tidak hanya bergantung pada faktor curah hujan yang
berkurang pada saat terjadi El Nino. Faktor lain seperti suhu permukaan
perairan Indonesia dan Samudera Pasifik dapat memberikan pengaruh dan
hasil yang berbeda. Penelitian dengan faktor terkait lainnya perlu dilakukan
untuk kemudian dapat dibandingkan dengan penelitian ini sehingga dapat
memberikan gambaran lebih baik.
2. Untuk membangkitkan curah hujan yang digunakan sebagai input analisa
prediksi dapat dicoba dengan metode yang lebih baik.
86
3. Diharapkan pemerintah dapat mengambil langkah antisipasi yang tepat untuk

menangani kejadian kekeringan di masa yang akan datang.
DAFTAR PUSTAKA
Adekayanti, Baiq Maria P. 2015. Analisis Keandalan Data Debit Bangkitan

dengan Metode Thomas Fiering (Studi Kasus: Awlr Aik Nyet dan
Awlr Keling). Skripsi. Mataram: Fakultas Teknik Universitas
Mataram.
Anonim. 2004. Pedoman Penulisan Tulisan Ilmiah. Mataram: Fakultas Teknik.

Aryadipura, Sudhian. 2012. Analisa Kekeringan Daerah Aliran Sungai Upper

Brantas dan Daerah Aliran Sungai Kali Metro dengan Metode
Standardized Precipitation Index (Spi) dan Desil. Skripsi.
Surabaya: Fakultas Teknik Sipil dan Perencanaan Universitas
Pembangunan Nasional Veteran
Badan Pusat Statistik Kabupaten Lombok Barat. 2014. Kecamatan Sekotong

dalam Angka Tahun 2014. Sekotong: CV. Maharani.
Behzadi, Jalal. 2013. An Evaluation of Two Drought Indices, Standard

Distribution and Deciles in Guilan, Iran. Greener Journal of Social
Sciences: Vol. 3 (9), pp. 472-478
Fikri, Ali. Penerapan Data Mining untuk Mengetahui Tingkat Kekuatan Beton
yang Dihasilkan dengan Metode Estimasi Menggunakan Linear
Regression. Skripsi. Semarang: Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Gunawan, Dodo. 2007. Cuaca dan Iklim di Indonesia. Pusat Penelitian dan
Pengembangan Badan Meteoroli dan Geofisika.
Ghasemi, H. 2011. Drought Monitoring Using Climatic Indices and Geostatistic

Technique (Case Study: Hossein Abad Plain, Sarbisheh, Iran).
Proceedings of the 12th Internatioan Confrence on Environmental
Science and Technology.
Hayes, Michael J. 1999. Monitoring the 1996 Drougth Using the Standardized
Precipitation Index. Bulletin of the American Meteorological
Society: Volume 80 No.3.
Hayes, Michael. 2000. Revisiting the SPI: Clarifying the Process. University of
Nebraska-Lincoln : Volume 12 No.1.
Kafindo, Anggun Nimaztian. 2015. Analisa Kekeringan Menggunakan Metode
Thornthwaite Mather pada Sub-Sub Das Keyang Kabupaten
Ponorogo. Skripsi. Malang: Fakultas Teknik Universitas Brawijiya.
Keyantash, J., dan John A. 2002. The Quantification of Drought : An Evaluation

of Drought Indices. American Meteorological Society: August
halaman 1167-1180.
Mahyudin. 2014. Model Prediksi Liku Kalibrasi Menggunakan Pendekatan

Jaringan Saraf Tiruan (Jst) (Studi Kasus: Sub Das Siak Hulu).
Skripsi. Pekanbaru: Fakultas Teknik Universitas Riau.
Muliawan, Hadi. 2012. Analisa Indeks Kekeringan dengan Metode Standardized

Precipitation Index (SPI) dan Sebaran Kekeringan dengan
Geographic Information System (GIS) pada DAS Ngrowo. Skripsi.
Malang: Teknik Pengairan Fakultas Teknik Universitas Brawijaya.
Parakoti, Ben., dan David Scott. 2003. Drought Index for Rarotonga (Cook
Islands). Proceedings of the Pacific Regional Consultation on
Water in Small Island Countries Theme 2 Case Studie.
Smakhtin, V.U., dan Hughes. 2004. Review, Automated Estimation and Analyses
of Drought Indices in South Africa. International Water
Management Institute : Lembar Kerja 83.
S.O.I. (Southern Oscillation Index) Archives, Australian Government Bureau Of

Meteorology.
Http://Www.Bom.Gov.Au/Climate/Current/Soi2.Shtml
Sri Harto, B.R. 1993. Analisis Hidrologi. Jakarta : PT. Gramedia Pustaka Utama.
Triatmoko, Danu dkk. 2012. Using Standardized Precipitation Index Method for
Identification Meteorological Drought in Pantura West Java Area.
Bandung: Program Studi Meteorologi Institute Teknologi Bandung.
Untari, Erika Dwi. 2008. Pengaruh Panjang Rekaman Data Terhadap Hasil
Bangkitan Metode Thomas Fiering. Skripsi Program Studi Teknik
Sipil. Universitas Mataram. Mataram
Utami, Dwi. 2013. Prediksi Kekeringan Berdasarkan Standardized Precipitation

Index (Spi) pada Daerah Aliran Sungai Keduang di Kabupaten
Wonogiri. Skripsi. Surakarta: Fakultas Teknik Universitas Sebelas
Maret.
UU No. 7 Tahun 2004 Tentang Sumber Daya Air.

Yasin, Ismail dkk. 2000. Pemanfaatan IOS (Indeks Osilasi Selatan) untuk
Mendukung Model Pertanian Strategik di Lahan Tadah Hujan
Pulau Lombok. Mataram: Fakultas Pertanian Universitas Mataram.
Yosilia, Mira Anantha. 2014. Analisis Hubungan El Nino dengan Kekeringan

Meteorologis Menggunakan SPI (Standardized Precipitation
Index) di Pulau Bali. Skripsi. Yogyakarta: Fakultas Geografi
Universitas Gadjah Mada.
Zulfiana, Nur Syamsi. 2011. Studi Perbandingan Prediksi Kekeringan

Menggunakan Metode Desil dan Spi di Das Brangkal Jawa
Timur. Skripsi. Jember: Jurusan Teknik Sipil Fakultas Teknik
Universitas Jember
LAMPIRAN
Lampiran 1 Data hujan bulanan stasiun hujan Sekotong
1990 505.000 79.000 315.000 0.000 34.000 0.000 0.000 11.000 40.000 30.000 37.000 207.000
1991 356.000 487.000 107.000 111.000 58.000 0.000 26.000 0.000 0.000 0.000 209.000 105.000
1992 119.000 381.000 229.000 60.000 0.000 0.000 32.000 0.000 91.000 90.000 178.000 80.000
1993 363.000 302.000 40.000 0.000 0.000 0.000 0.000 32.000 6.000 32.000 57.000 588.000
1994 171.000 249.000 381.000 95.000 0.000 5.000 0.000 0.000 0.000 20.000 173.000 170.000
1995 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1996 99.000 334.000 179.000 79.000 62.000 0.000 0.000 7.000 0.000 162.000 103.000 204.000
1997 112.000 435.000 79.000 101.000 54.000 44.000 3.000 0.000 0.000 0.000 72.000 147.000
1998 121.000 136.000 280.000 146.000 14.000 9.000 97.000 2.000 72.000 155.000 171.000 307.000
1999 334.000 390.000 276.000 170.000 14.000 2.000 1.000 5.000 1.000 152.000 204.000 213.000
2000 249.000 235.000 270.000 201.000 131.000 15.000 0.000 0.000 0.000 0.000 0.000 0.000
2001 293.000 135.000 185.000 229.000 19.000 95.000 18.000 0.000 0.000 115.000 172.000 90.000
2002 132.000 384.000 0.000 184.000 11.000 3.000 0.000 0.000 0.000 3.000 172.000 455.000
2003 440.000 202.000 88.000 47.000 48.000 11.000 6.000 0.000 59.000 15.000 138.000 531.000
2004 206.000 161.000 116.000 70.000 50.000 3.000 0.000 0.000 0.000 17.000 105.000 233.000
2005 80.000 246.000 231.000 145.000 0.000 38.000 63.000 0.000 0.000 16.000 47.000 152.000
2006 267.000 256.000 326.000 145.000 99.000 62.000 2.000 0.000 0.000 74.500 98.000 188.000
2007 301.000 183.000 215.000 234.500 93.000 36.000 61.000 0.000 0.000 52.000 338.000 300.000
2008 99.000 196.000 180.000 196.000 132.000 36.000 0.000 5.000 8.000 86.000 243.000 106.000
2009 57.000 448.000 79.000 103.000 54.000 44.000 4.000 9.750 1.500 74.250 167.750 331.500
2010 152.000 312.250 179.500 121.500 40.250 23.000 16.250 4.188 0.375 84.813 195.438 267.375
2011 211.200 197.600 144.900 150.000 45.400 9.300 24.700 1.800 32.200 43.300 111.600 0.000
2012 629.300 236.000 4.600 128.800 155.000 2.000 45.700 5.000 7.400 10.100 155.800 184.600
2013 313.900 334.200 175.500 98.400 113.600 134.700 6.900 0.700 7.900 90.300 87.600 502.100
2014 478.300 352.200 101.500 138.000 58.500 0.000 26.300 13.700 0.000 0.000 149.600 157.800
Sumber : BISDA DPU PROV.NTB
Lampiran 2 Pengurutan data curah hujan dari nilai terkecil hingga nilai terbesar stasiun hujan Sekotong
1990 57.000 79.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1992 80.000 135.000 4.600 0.000 0.000 0.000 0.000 0.000 0.000 0.000 37.000 0.000
1993 99.000 136.000 40.000 47.000 0.000 0.000 0.000 0.000 0.000 0.000 47.000 80.000
1994 99.000 161.000 79.000 60.000 0.000 0.000 0.000 0.000 0.000 0.000 57.000 90.000
1995 99.000 183.000 79.000 70.000 11.000 0.000 0.000 0.000 0.000 3.000 72.000 105.000
1999 112.000 196.000 88.000 79.000 14.000 0.000 0.000 0.000 0.000 10.100 87.600 106.000
2000 119.000 197.600 101.500 79.000 14.000 0.000 0.000 0.000 0.000 15.000 98.000 147.000
2001 121.000 202.000 107.000 95.000 19.000 2.000 0.000 0.000 0.000 16.000 103.000 152.000
2002 132.000 235.000 116.000 98.400 34.000 2.000 0.000 0.000 0.000 17.000 103.000 157.800
2004 152.000 236.000 144.900 101.000 40.250 3.000 1.000 0.000 0.000 20.000 105.000 170.000
2005 171.000 246.000 175.500 103.000 45.400 3.000 2.000 0.000 0.000 30.000 111.600 184.600
2007 206.000 249.000 179.000 111.000 48.000 5.000 3.000 0.000 0.000 32.000 138.000 188.000
2008 211.200 256.000 179.000 121.500 50.000 9.000 4.000 0.700 0.000 43.300 149.600 204.000
2010 249.000 302.000 179.500 128.800 54.000 9.300 6.000 1.800 0.375 52.000 155.800 204.000
2013 267.000 312.250 180.000 138.000 54.000 11.000 6.900 2.000 1.000 74.250 167.750 207.000
2009 293.000 334.000 185.000 145.000 58.000 15.000 16.250 4.188 1.500 74.500 171.000 213.000
2012 301.000 334.000 215.000 145.000 58.500 23.000 18.000 5.000 6.000 84.813 172.000 233.000
2003 313.900 334.200 229.000 146.000 62.000 36.000 24.700 5.000 7.400 86.000 172.000 267.375
2011 334.000 352.200 231.000 150.000 62.000 36.000 26.000 5.000 7.900 90.000 173.000 300.000
2006 356.000 381.000 270.000 170.000 93.000 38.000 26.300 7.000 8.000 90.300 178.000 307.000
1997 363.000 384.000 276.000 184.000 99.000 44.000 32.000 7.000 32.200 115.000 195.438 331.500
1991 440.000 390.000 280.000 196.000 113.600 44.000 45.700 9.750 40.000 152.000 204.000 455.000
1998 478.300 435.000 315.000 201.000 131.000 62.000 61.000 11.000 59.000 155.000 209.000 502.100
1996 505.000 448.000 326.000 229.000 132.000 95.000 63.000 13.700 72.000 162.000 243.000 531.000
2014 629.300 487.000 381.000 234.500 155.000 134.700 97.000 32.000 91.000 162.000 338.000 588.000
Jumlah 6187.700 7005.250 4361.000 3032.200 1347.750 572.000 432.850 104.138 326.375 1484.263 3487.788 5723.375

Lampiran 3 Perhitungan desil bulan Januari stasiun hujan Sekotong
Jan fd cfb Desil Desil Letak Bb fd cfb i Nilai Jan Desil Klasifikasi
57.000 1 1 1 1 2.5 89.500 1 2 19.000 99.000 505.000 10 ASB
80.000 1 2 1 2 5 99.000 1 4 0.000 99.000 356.000 8 CB
99.000 1 3 1 3 7.5 120.000 1 7 2.000 121.000 119.000 3 CK
99.000 1 4 2 4 10 142.000 1 9 20.000 162.000 363.000 8 CB
99.000 1 5 2 5 12.5 208.600 1 12 5.200 211.200 171.000 4 N
112.000 1 6 3 6 15 258.000 1 14 18.000 276.000 99.000 1 ASK
119.000 1 7 3 7 17.5 307.450 1 17 12.900 313.900 99.000 2 SK
121.000 1 8 3 8 20 345.000 1 19 22.000 367.000 112.000 3 CK
132.000 1 9 4 9 22.5 459.150 1 22 38.300 478.300 121.000 3 CK
152.000 1 10 4 10 25 567.150 1 24 124.300 691.450 334.000 8 CB
171.000 1 11 4 Sumber : Hasil perhitungan 249.000 6 N
206.000 1 12 5 293.000 7 N
211.200 1 13 5 132.000 4 N
249.000 1 14 6 440.000 9 SB
267.000 1 15 6 206.000 5 N
293.000 1 16 7 80.000 1 ASK
301.000 1 17 7 267.000 6 N
313.900 1 18 7 301.000 7 N
334.000 1 19 8 99.000 2 SK
356.000 1 20 8 57.000 1 ASK
363.000 1 21 8 152.000 4 N
440.000 1 22 9 211.200 5 N
478.300 1 23 9 629.300 10 ASB
505.000 1 24 10 313.900 7 N
629.300 1 25 10 478.300 9 SB
Sumber : Hasil perhitungan Sumber : Hasil perhitungan
Lampiran 4 Perhitungan desil bulan Februari stasiun hujan Sekotong
Feb fd cfb Desil Desil Letak Bb fd cfb i Nilai Feb Desil Klasifikasi
79.000 1 1 1 1 2.5 135.500 1 2 1.000 136.000 79.000 1 ASK
135.000 1 2 1 2 5 172.000 1 4 22.000 194.000 487.000 10 ASB
136.000 1 3 1 3 7.5 199.800 1 7 4.400 202.000 381.000 8 CB
161.000 1 4 2 4 10 235.500 1 9 1.000 236.500 302.000 6 N
183.000 1 5 2 5 12.5 252.500 1 12 7.000 256.000 249.000 5 N
196.000 1 6 3 6 15 307.125 1 14 10.250 317.375 334.000 7 N
197.600 1 7 3 7 17.5 334.100 1 17 0.200 334.200 334.000 7 N
202.000 1 8 3 8 20 366.600 1 19 28.800 395.400 435.000 9 SB
235.000 1 9 4 9 22.5 412.500 1 22 45.000 435.000 136.000 1 ASK
236.000 1 10 4 10 25 467.500 1 24 39.000 506.500 390.000 8 CB
249.000 1 12 5 135.000 1 ASK
256.000 1 13 5 384.000 8 CB
302.000 1 14 6 202.000 3 CK
312.250 1 15 6 161.000 2 SK
334.000 1 16 7 246.000 5 N
334.000 1 17 7 256.000 5 N
334.200 1 18 7 183.000 2 SK
352.200 1 19 8 196.000 3 CK
381.000 1 20 8 448.000 10 ASB
384.000 1 21 8 312.250 6 N
390.000 1 22 8 197.600 3 CK
435.000 1 23 9 236.000 4 N
448.000 1 24 10 334.200 7 N
487.000 1 25 10 352.200 8 CB
Lampiran 5 Perhitungan desil bulan Maret stasiun hujan Sekotong
Mar fd cfb Desil Desil Letak Bb fd cfb i Nilai Mar Desil Klasifikasi
0.000 1 1 1 1 2.5 22.300 1 2 35.400 40.000 315.000 9 SB
4.600 1 2 1 2 5 79.000 1 4 0.000 79.000 107.000 3 CK
40.000 1 3 1 3 7.5 104.250 1 7 5.500 107.000 229.000 7 N
79.000 1 4 2 4 10 130.450 1 9 28.900 159.350 40.000 1 ASK
79.000 1 5 2 5 12.5 179.000 1 12 0.000 179.000 381.000 10 ASB
88.000 1 6 2 6 15 179.750 1 14 0.500 180.250 179.000 5 N
101.500 1 7 3 7 17.5 222.000 1 17 14.000 229.000 179.000 5 N
107.000 1 8 3 8 20 250.500 1 19 39.000 289.500 79.000 2 SK
116.000 1 9 4 9 22.5 297.500 1 22 35.000 315.000 280.000 8 CB
144.900 1 10 4 10 25 353.500 1 24 55.000 408.500 276.000 8 CB
175.500 1 11 5 Sumber : Hasil perhitungan 270.000 8 CB
179.000 1 12 5 185.000 7 N
179.000 1 13 5 0.000 1 ASK
179.500 1 14 6 88.000 2 SK
180.000 1 15 6 116.000 4 N
185.000 1 16 7 231.000 8 CB
215.000 1 17 7 326.000 10 ASB
229.000 1 18 7 215.000 7 N
231.000 1 19 8 180.000 6 N
270.000 1 20 8 79.000 2 SK
276.000 1 21 8 179.500 6 N
280.000 1 22 8 144.900 4 N
315.000 1 23 9 4.600 1 ASK
326.000 1 24 10 175.500 5 N
381.000 1 25 10 101.500 3 CK
Lampiran 6 Perhitungan desil bulan April stasiun hujan Sekotong
Apr fd cfb Desil Desil Letak Bb fd cfb i Nilai Apr Desil Klasifikasi
0.000 1 1 1 1 2.5 23.500 1 2 47.000 47.000 0.000 1 ASK
0.000 1 2 1 2 5 65.000 1 4 10.000 75.000 111.000 5 N
47.000 1 3 1 3 7.5 87.000 1 7 16.000 95.000 60.000 2 SK
60.000 1 4 2 4 10 99.700 1 9 2.600 102.300 0.000 1 ASK
70.000 1 5 2 5 12.5 116.250 1 12 10.500 121.500 95.000 3 CK
79.000 1 6 3 6 15 133.400 1 14 9.200 142.600 79.000 3 CK
79.000 1 7 3 7 17.5 145.500 1 17 1.000 146.000 79.000 3 CK
95.000 1 8 3 8 20 160.000 1 19 20.000 180.000 101.000 4 N
98.400 1 9 4 9 22.5 198.500 1 22 5.000 201.000 146.000 7 N
101.000 1 10 4 10 25 231.750 1 24 5.500 237.250 170.000 8 CB
103.000 1 11 5 Sumber : Hasil perhitungan 201.000 9 SB
111.000 1 12 5 229.000 10 ASB
121.500 1 13 5 184.000 9 SB
128.800 1 14 6 47.000 1 ASK
138.000 1 15 6 70.000 2 SK
145.000 1 16 7 145.000 7 N
145.000 1 17 7 145.000 7 N
146.000 1 18 7 234.500 10 ASB
150.000 1 19 8 196.000 9 SB
170.000 1 20 8 103.000 5 N
184.000 1 21 9 121.500 5 N
196.000 1 22 9 150.000 8 CB
201.000 1 23 9 128.800 6 N
229.000 1 24 10 98.400 4 N
234.500 1 25 10 138.000 6 N
Lampiran 7 Perhitungan desil bulan Mei stasiun hujan Sekotong
Mei fd cfb Desil Desil Letak Bb fd cfb i Nilai Mei Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 34.000 4 N
0.000 1 2 1 2 5 5.500 1 4 11.000 16.500 58.000 7 N
0.000 1 3 1 3 7.5 16.500 1 7 5.000 19.000 0.000 1 ASK
0.000 1 4 1 4 10 37.125 1 9 6.250 43.375 0.000 1 ASK
11.000 1 5 2 5 12.5 49.000 1 12 2.000 50.000 0.000 1 ASK
14.000 1 6 2 6 15 54.000 1 14 0.000 54.000 62.000 7 N
14.000 1 7 2 7 17.5 60.250 1 17 3.500 62.000 62.000 7 N
19.000 1 8 3 8 20 77.500 1 19 31.000 108.500 54.000 6 N
34.000 1 9 4 9 22.5 122.300 1 22 17.400 131.000 14.000 2 SK
40.250 1 10 4 10 25 143.500 1 24 23.000 166.500 14.000 2 SK
45.400 1 11 5 Sumber : Hasil perhitungan 131.000 9 SB
48.000 1 12 5 19.000 3 CK
50.000 1 13 5 11.000 2 SK
54.000 1 14 6 48.000 5 N
54.000 1 15 6 50.000 5 N
58.000 1 16 7 0.000 1 ASK
58.500 1 17 7 99.000 8 CB
62.000 1 18 7 93.000 8 CB
62.000 1 19 7 132.000 10 ASB
93.000 1 20 8 54.000 6 N
99.000 1 21 8 40.250 4 N
113.600 1 22 9 45.400 5 N
131.000 1 23 9 155.000 10 ASB
132.000 1 24 10 113.600 9 SB
155.000 1 25 10 58.500 7 N
Lampiran 8 Perhitungan desil bulan Juni stasiun hujan Sekotong
Jun fd cfb Desil Desil Letak Bb fd cfb i Nilai Jun Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 0.000 1 ASK
0.000 1 2 1 2 5 0.000 1 4 0.000 0.000 0.000 1 ASK
0.000 1 3 1 3 7.5 1.000 1 7 2.000 2.000 0.000 1 ASK
0.000 1 4 2 4 10 2.500 1 9 1.000 3.500 0.000 2 SK
0.000 1 5 2 5 12.5 7.000 1 12 4.000 9.000 5.000 5 N
0.000 1 6 3 6 15 10.150 1 14 1.700 11.850 0.000 2 SK
0.000 1 7 3 7 17.5 29.500 1 17 13.000 36.000 0.000 3 CK
2.000 1 8 3 8 20 37.000 1 19 2.000 39.000 44.000 9 SB
2.000 1 9 3 9 22.5 53.000 1 22 18.000 62.000 9.000 5 N
3.000 1 10 4 10 25 114.850 1 24 39.700 154.550 2.000 3 CK
5.000 1 12 5 95.000 10 ASB
9.000 1 13 5 3.000 4 N
9.300 1 14 6 11.000 6 N
11.000 1 15 6 3.000 4 N
15.000 1 16 7 38.000 8 CB
23.000 1 17 7 62.000 9 SB
36.000 1 18 7 36.000 7 N
36.000 1 19 7 36.000 7 N
38.000 1 20 8 44.000 9 SB
44.000 1 21 9 23.000 7 N
44.000 1 22 9 9.300 6 N
62.000 1 23 9 2.000 3 CK
95.000 1 24 10 134.700 10 ASB
134.700 1 25 10 0.000 3 CK
Lampiran 9 Perhitungan desil bulan Juni stasiun hujan Sekotong
Jun fd cfb Desil Desil Letak Bb fd cfb i Nilai Jun Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 0.000 1 ASK
0.000 1 2 1 2 5 0.000 1 4 0.000 0.000 26.000 8 CB
0.000 1 3 1 3 7.5 0.000 1 7 0.000 0.000 32.000 9 SB
0.000 1 4 2 4 10 0.500 1 9 1.000 1.500 0.000 1 ASK
0.000 1 5 2 5 12.5 3.500 1 12 1.000 4.000 0.000 1 ASK
0.000 1 6 3 6 15 6.450 1 14 0.900 7.350 0.000 2 SK
0.000 1 7 3 7 17.5 21.350 1 17 6.700 24.700 0.000 2 SK
0.000 1 8 3 8 20 26.150 1 19 0.300 26.450 3.000 5 N
0.000 1 9 4 9 22.5 53.350 1 22 15.300 61.000 97.000 10 ASB
1.000 1 10 4 10 25 80.000 1 24 34.000 114.000 1.000 4 N
2.000 1 11 5 Sumber : Hasil perhitungan 0.000 3 CK
3.000 1 12 5 18.000 7 N
4.000 1 13 5 0.000 3 CK
6.000 1 14 6 6.000 6 N
6.900 1 15 6 0.000 3 CK
16.250 1 16 7 63.000 10 ASB
18.000 1 17 7 2.000 5 N
24.700 1 18 7 61.000 9 SB
26.000 1 19 8 0.000 4 N
26.300 1 20 8 4.000 5 N
32.000 1 21 9 16.250 7 N
45.700 1 22 9 24.700 7 N
61.000 1 23 9 45.700 9 SB
63.000 1 24 10 6.900 6 N
97.000 1 25 10 26.300 8 CB
Lampiran 10 Perhitungan desil bulan Agustus stasiun hujan Sekotong
Agust fd cfb Desil Desil Letak Bb fd cfb i Nilai Agust Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 11.000 9 SB
0.000 1 2 1 2 5 0.000 1 4 0.000 0.000 0.000 1 ASK
0.000 1 3 1 3 7.5 0.000 1 7 0.000 0.000 0.000 1 ASK
0.000 1 4 2 4 10 0.000 1 9 0.000 0.000 32.000 10 ASB
0.000 1 5 2 5 12.5 0.350 1 12 0.700 0.700 0.000 1 ASK
0.000 1 6 3 6 15 1.900 1 14 0.200 2.100 7.000 8 CB
0.000 1 7 3 7 17.5 5.000 1 17 0.000 5.000 7.000 8 CB
0.000 1 8 3 8 20 6.000 1 19 2.000 8.000 0.000 2 SK
0.000 1 9 4 9 22.5 10.375 1 22 1.250 11.000 2.000 6 N
0.000 1 10 4 10 25 22.850 1 24 18.300 41.150 5.000 7 N
0.000 1 11 5 Sumber : Hasil perhitungan 0.000 2 SK
0.000 1 12 5 0.000 3 CK
0.700 1 13 5 0.000 3 CK
1.800 1 14 6 0.000 3 CK
2.000 1 15 6 0.000 4 N
4.188 1 16 7 0.000 4 N
5.000 1 17 7 0.000 5 N
5.000 1 18 7 0.000 5 N
5.000 1 19 7 5.000 7 N
7.000 1 20 8 9.750 9 SB
7.000 1 21 8 4.188 7 N
9.750 1 22 9 1.800 6 N
11.000 1 23 9 5.000 7 N
13.700 1 24 10 0.700 5 N
32.000 1 25 10 13.700 10 ASB
Lampiran 11 Perhitungan desil bulan September stasiun hujan Sekotong
Sept fd cfb Desil Desil Letak Bb fd cfb i Nilai Sept Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 40.000 9 SB
0.000 1 2 1 2 5 0.000 1 4 0.000 0.000 0.000 1 ASK
0.000 1 3 1 3 7.5 0.000 1 7 0.000 0.000 91.000 10 ASB
0.000 1 4 2 4 10 0.000 1 9 0.000 0.000 6.000 7 N
0.000 1 5 2 5 12.5 0.000 1 12 0.000 0.000 0.000 1 ASK
0.000 1 6 3 6 15 0.688 1 14 0.625 1.313 0.000 1 ASK
0.000 1 7 3 7 17.5 6.700 1 17 1.400 7.400 0.000 2 SK
0.000 1 8 3 8 20 7.950 1 19 0.100 8.050 0.000 2 SK
0.000 1 9 4 9 22.5 49.500 1 22 19.000 59.000 72.000 10 ASB
0.000 1 10 4 10 25 81.500 1 24 19.000 100.500 1.000 6 N
0.000 1 11 5 Sumber : Hasil perhitungan 0.000 3 CK
0.000 1 12 5 0.000 3 CK
0.000 1 13 5 0.000 3 CK
0.375 1 14 6 59.000 9 SB
1.000 1 15 6 0.000 4 N
1.500 1 16 7 0.000 4 N
6.000 1 17 7 0.000 5 N
7.400 1 18 7 0.000 5 N
7.900 1 19 8 8.000 8 CB
8.000 1 20 8 1.500 7 N
32.200 1 21 9 0.375 6 N
40.000 1 22 9 32.200 9 SB
59.000 1 23 9 7.400 7 N
72.000 1 24 10 7.900 8 CB
91.000 1 25 10 0.000 5 N
Lampiran 12 Perhitungan desil bulan Oktober stasiun hujan Sekotong
Okt fd cfb Desil Desil Letak Bb fd cfb i Nilai Okt Desil Klasifikasi
0.000 1 1 1 1 2.5 0.000 1 2 0.000 0.000 30.000 5 N
0.000 1 2 1 2 5 1.500 1 4 3.000 4.500 0.000 1 ASK
0.000 1 3 1 3 7.5 15.500 1 7 1.000 16.000 90.000 8 CB
0.000 1 4 1 4 10 18.500 1 9 3.000 21.500 32.000 5 N
3.000 1 5 2 5 12.5 37.650 1 12 11.300 43.300 20.000 4 N
10.100 1 6 3 6 15 63.125 1 14 22.250 85.375 162.000 10 ASB
15.000 1 7 3 7 17.5 85.406 1 17 1.188 86.000 162.000 10 ASB
16.000 1 8 3 8 20 90.150 1 19 0.300 90.450 0.000 1 ASK
17.000 1 9 4 9 22.5 153.500 1 22 3.000 155.000 155.000 9 SB
20.000 1 10 4 10 25 162.000 1 24 0.000 162.000 152.000 9 SB
30.000 1 11 5 Sumber : Hasil perhitungan 0.000 1 ASK
32.000 1 12 5 115.000 9 SB
43.300 1 13 5 3.000 2 SK
52.000 1 14 6 15.000 3 CK
74.250 1 15 6 17.000 4 N
74.500 1 16 6 16.000 3 CK
84.813 1 17 6 74.500 6 N
86.000 1 18 7 52.000 6 N
90.000 1 19 8 86.000 7 N
90.300 1 20 8 74.250 6 N
115.000 1 21 9 84.813 6 N
152.000 1 22 9 43.300 5 N
155.000 1 23 9 10.100 3 CK
162.000 1 24 10 90.300 8 CB
162.000 1 25 10 0.000 1 ASK
Lampiran 13 Perhitungan desil bulan November stasiun hujan Sekotong
Nov fd cfb Desil Desil Letak Bb fd cfb i Nilai Nov Desil Klasifikasi
0.000 1 1 1 1 2.5 42.000 1 2 10.000 47.000 37.000 1 ASK
37.000 1 2 1 2 5 64.500 1 4 15.000 79.500 209.000 9 SB
47.000 1 3 1 3 7.5 100.500 1 7 5.000 103.000 178.000 8 CB
57.000 1 4 2 4 10 104.000 1 9 2.000 106.000 57.000 2 SK
72.000 1 5 2 5 12.5 143.800 1 12 11.600 149.600 173.000 8 CB
87.600 1 6 3 6 15 161.775 1 14 11.950 173.725 103.000 3 CK
98.000 1 7 3 7 17.5 172.000 1 17 0.000 172.000 103.000 3 CK
103.000 1 8 3 8 20 175.500 1 19 5.000 180.500 72.000 2 SK
103.000 1 9 3 9 22.5 206.500 1 22 5.000 209.000 171.000 7 N
105.000 1 10 4 10 25 290.500 1 24 95.000 385.500 204.000 9 SB
138.000 1 12 5 172.000 7 N
149.600 1 13 5 172.000 7 N
155.800 1 14 6 138.000 5 N
167.750 1 15 6 105.000 4 N
171.000 1 16 7 47.000 1 ASK
172.000 1 17 7 98.000 3 CK
172.000 1 18 7 338.000 10 ASB
173.000 1 19 8 243.000 10 ASB
178.000 1 20 8 167.750 6 N
195.438 1 21 9 195.438 9 SB
204.000 1 22 9 111.600 5 N
209.000 1 23 9 155.800 6 N
243.000 1 24 10 87.600 3 CK
338.000 1 25 10 149.600 5 N
Lampiran 14 Perhitungan desil bulan Desemnber stasiun hujan Sekotong
Des fd cfb Desil Desil Letak Bb fd cfb i Nilai Des Desil Klasifikasi
0.000 1 1 1 1 2.5 40.000 1 2 80.000 80.000 207.000 6 N
0.000 1 2 1 2 5 97.500 1 4 15.000 112.500 105.000 2 SK
80.000 1 3 1 3 7.5 149.500 1 7 5.000 152.000 80.000 1 ASK
90.000 1 4 2 4 10 163.900 1 9 12.200 176.100 588.000 10 ASB
105.000 1 5 2 5 12.5 196.000 1 12 16.000 204.000 170.000 4 N
106.000 1 6 2 6 15 205.500 1 14 3.000 208.500 204.000 5 N
147.000 1 7 3 7 17.5 250.188 1 17 34.375 267.375 204.000 5 N
152.000 1 8 3 8 20 303.500 1 19 7.000 310.500 147.000 3 CK
157.800 1 9 4 9 22.5 478.550 1 22 47.100 502.100 307.000 8 CB
170.000 1 10 4 10 25 559.500 1 24 57.000 616.500 213.000 7 N
188.000 1 12 5 90.000 2 SK
204.000 1 13 5 455.000 9 SB
204.000 1 14 5 531.000 10 ASB
207.000 1 15 6 233.000 7 N
213.000 1 16 7 152.000 3 CK
233.000 1 17 7 188.000 5 N
267.375 1 18 7 300.000 8 CB
300.000 1 19 8 106.000 2 SK
307.000 1 20 8 331.500 9 SB
331.500 1 21 9 267.375 7 N
455.000 1 22 9 0.000 1 ASK
502.100 1 23 9 184.600 5 N
531.000 1 24 10 502.100 9 SB
588.000 1 25 10 157.800 4 N
Lampiran 15 Perhitungan bangkitan data curah hujan tahun 2016 stasiun hujan Sekotong
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 0.091082 250.989
Feb 250.989 280.210 247.508 107.245 152.405 -0.233 -0.164 0.122632 292.427
Mar 292.427 174.440 280.210 100.252 107.245 -0.371 -0.347 -0.793612 96.326
Apr 96.326 121.288 174.440 62.091 100.252 0.106 0.066 -0.331063 95.718
Mei 95.718 53.910 121.288 44.782 62.091 0.294 0.212 2.406360 151.485
Jun 151.485 22.880 53.910 33.496 44.782 0.271 0.203 -0.408645 29.467
Jul 29.467 17.314 22.880 25.328 33.496 -0.030 -0.023 2.254990 74.255
Agust 74.255 4.166 17.314 7.048 25.328 -0.200 -0.056 -0.585851 3.056
Sept 3.056 13.055 4.166 25.448 7.048 -0.098 -0.354 -0.161926 9.347
Okt 9.347 59.371 13.055 55.682 25.448 0.159 0.348 -1.702494 35.510
Nov 35.510 139.512 59.371 73.043 55.682 0.207 0.272 -0.859004 71.639
Des 71.639 228.935 139.512 154.464 73.043 0.019 0.041 2.618498 630.526
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 -1.188578 58.055
Feb 58.055 280.210 247.508 107.245 152.405 -0.233 -0.164 -1.132339 193.238
Mar 193.238 174.440 280.210 100.252 107.245 -0.371 -0.347 0.417290 243.469
Apr 243.469 121.288 174.440 62.091 100.252 0.106 0.066 1.059101 191.211
Mei 191.211 53.910 121.288 44.782 62.091 0.294 0.212 0.047317 70.763
Jun 70.763 22.880 53.910 33.496 44.782 0.271 0.203 -1.358493 17.510
Jul 17.510 17.314 22.880 25.328 33.496 -0.030 -0.023 2.140269 71.620
Agust 71.620 4.166 17.314 7.048 25.328 -0.200 -0.056 0.736069 6.219
Sept 6.219 13.055 4.166 25.448 7.048 -0.098 -0.354 -1.118842 16.007
Okt 16.007 59.371 13.055 55.682 25.448 0.159 0.348 1.327964 133.399
Nov 133.399 139.512 59.371 73.043 55.682 0.207 0.272 -1.612295 44.456
Des 44.456 228.935 139.512 154.464 73.043 0.019 0.041 -0.318977 175.758
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 0.719071 345.671
Feb 345.671 280.210 247.508 107.245 152.405 -0.233 -0.164 0.986970 367.015
Mar 367.015 174.440 280.210 100.252 107.245 -0.371 -0.347 0.303047 172.522
Apr 172.522 121.288 174.440 62.091 100.252 0.106 0.066 1.549192 216.810
Mei 216.810 53.910 121.288 44.782 62.091 0.294 0.212 -0.123133 68.896
Jun 68.896 22.880 53.910 33.496 44.782 0.271 0.203 0.052684 27.614
Jul 27.614 17.314 22.880 25.328 33.496 -0.030 -0.023 -0.716631 0.936
Agust 0.936 4.166 17.314 7.048 25.328 -0.200 -0.056 0.860909 11.024
Sept 11.024 13.055 4.166 25.448 7.048 -0.098 -0.354 -0.619667 5.065
Okt 5.065 59.371 13.055 55.682 25.448 0.159 0.348 -2.021365 54.530
Nov 54.530 139.512 59.371 73.043 55.682 0.207 0.272 0.470080 171.783
Des 171.783 228.935 139.512 154.464 73.043 0.019 0.041 -0.216554 196.821
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 0.519034 315.512
Feb 315.512 280.210 247.508 107.245 152.405 -0.233 -0.164 -0.788039 186.863
Mar 186.863 174.440 280.210 100.252 107.245 -0.371 -0.347 -0.906005 122.502
Apr 122.502 121.288 174.440 62.091 100.252 0.106 0.066 -0.581154 81.997
Mei 81.997 53.910 121.288 44.782 62.091 0.294 0.212 -0.534681 22.692
Jun 22.692 22.880 53.910 33.496 44.782 0.271 0.203 0.030969 17.556
Jul 17.556 17.314 22.880 25.328 33.496 -0.030 -0.023 -0.398198 7.353
Agust 7.353 4.166 17.314 7.048 25.328 -0.200 -0.056 0.332149 7.015
Sept 7.015 13.055 4.166 25.448 7.048 -0.098 -0.354 -0.564587 2.252
Okt 2.252 59.371 13.055 55.682 25.448 0.159 0.348 0.655140 91.620
Nov 91.620 139.512 59.371 73.043 55.682 0.207 0.272 0.152504 159.186
Des 159.186 228.935 139.512 154.464 73.043 0.019 0.041 -1.153577 51.593
Jan 157.800 247.508 228.935 152.405 154.464 0.146 0.144 -0.678009 135.033
Feb 135.033 280.210 247.508 107.245 152.405 -0.233 -0.164 -0.972749 197.239
Mar 197.239 174.440 280.210 100.252 107.245 -0.371 -0.347 0.651028 263.838
Apr 263.838 121.288 174.440 62.091 100.252 0.106 0.066 -0.581690 91.245
Mei 91.245 53.910 121.288 44.782 62.091 0.294 0.212 0.592710 72.908
Jun 72.908 22.880 53.910 33.496 44.782 0.271 0.203 -0.135991 22.343
Jul 22.343 17.314 22.880 25.328 33.496 -0.030 -0.023 -0.666745 0.446
Agust 0.446 4.166 17.314 7.048 25.328 -0.200 -0.056 -0.249037 3.387
Sept 3.387 13.055 4.166 25.448 7.048 -0.098 -0.354 0.717265 31.496
Okt 31.496 59.371 13.055 55.682 25.448 0.159 0.348 0.802517 109.911
Nov 109.911 139.512 59.371 73.043 55.682 0.207 0.272 0.486000 187.993
Des 187.993 228.935 139.512 154.464 73.043 0.019 0.041 0.391599 291.409
Lampiran Data hujan bulanan stasiun hujan Sekotong tahun 2015
2015 251 193 224 163 50 11 3 0 1 1 23 206
Sumber : BMKG KELAS I KEDIRI, NTB
Lampiran Nilai El Nino SOI tahun 2015
2015 -7.8 0.6 -11.2 -3.8 -13.7 -12 -14.7 -19.8 -17.8 -20.2 -5.3 -9.1
Sumber : Australian Government Bureau of Meteorology
Lampiran 20 Nilai SPI stasiun hujan Sekotong (2015-2020 prediksi)
1990 1.582 -2.665 1.401 -1.518 -0.180 -0.752 -0.552 1.437 1.569 -0.213 -1.564 0.152
1991 0.868 1.841 -0.600 0.053 0.368 -0.752 0.938 -0.286 -0.203 -1.131 1.082 -0.600
1992 -0.890 1.065 0.720 -0.884 -1.131 -0.752 1.080 -0.286 2.283 0.845 0.735 -0.834
1993 0.905 0.389 -1.623 -1.518 -1.131 -0.752 -0.552 2.570 0.659 -0.165 -1.155 1.823
1994 -0.375 -0.131 1.848 -0.219 -1.131 -0.063 -0.552 -0.286 -0.203 -0.478 0.676 -0.090
1995 -1.131 0.676 0.248 -0.512 0.447 -0.752 -0.552 1.105 -0.203 1.656 -0.297 0.134
1996 -1.131 0.676 0.248 -0.512 0.447 -0.752 -0.552 1.105 -0.203 1.656 -0.297 0.134
1997 -0.971 1.476 -1.010 -0.115 0.286 1.140 0.019 -0.286 -0.203 -1.131 -0.852 -0.257
1998 -0.867 -1.573 1.140 0.583 -0.772 0.161 2.108 0.481 2.050 1.588 0.652 0.703
1999 0.747 1.136 1.109 0.906 -0.772 -0.317 -0.208 0.900 0.254 1.558 1.029 0.189
2000 0.224 -0.281 1.062 1.285 1.514 0.408 -0.552 -0.286 -0.203 -1.131 -1.849 -1.518
2001 0.507 -1.589 0.309 1.599 -0.611 1.917 0.715 -0.286 -0.203 1.159 0.664 -0.737
2002 -0.748 1.089 -1.849 1.082 -0.869 -0.217 -0.552 -0.286 -0.203 -1.048 0.664 1.346
2003 1.289 -0.661 -0.872 -1.137 0.157 0.252 0.227 -0.286 1.872 -0.630 0.227 1.627
2004 -0.087 -1.197 -0.479 -0.686 0.201 -0.217 -0.552 -0.286 -0.203 -0.568 -0.265 0.308
2005 -1.395 -0.163 0.738 0.569 -1.131 1.020 1.646 -0.286 -0.203 -0.599 -1.364 -0.219
2006 0.343 -0.059 1.480 0.569 1.074 1.454 -0.078 -0.286 -0.203 0.624 -0.380 0.031
2007 0.555 -0.899 0.595 1.657 0.983 0.977 1.615 -0.286 -0.203 0.250 2.257 0.668
2008 -1.131 -0.734 0.258 1.227 1.527 0.977 -0.552 0.900 0.754 0.790 1.428 -0.591
2009 -1.786 1.570 -1.010 -0.080 0.286 1.140 0.098 1.342 0.324 0.620 0.612 0.821
2010 -0.548 0.483 0.253 0.220 -0.023 0.659 0.660 0.805 0.123 0.773 0.935 0.500
2011 -0.047 -0.715 -0.122 0.639 0.098 0.175 0.904 0.443 1.422 0.082 -0.160 -1.518
2012 2.081 -0.270 -1.849 0.332 1.804 -0.317 1.356 0.900 0.727 -0.794 0.463 0.009
2013 0.632 0.677 0.212 -0.159 1.284 2.367 0.278 0.176 0.750 0.849 -0.560 1.523
2014 1.465 0.830 -0.676 0.469 0.378 -0.752 0.945 1.625 -0.203 -1.131 0.382 -0.177
2015 0.582 -0.082 0.314 -0.296 1.088 0.706 0.412 1.269 1.558 -0.770 -0.188 -0.463
2016 0.237 0.300 -0.750 -0.206 1.763 0.828 1.811 0.653 0.810 -0.084 -0.859 1.961
2017 -1.766 -0.769 0.845 1.170 0.611 0.494 1.774 1.030 1.037 1.365 -1.417 -0.051
2018 0.811 0.953 0.181 1.465 0.577 0.782 2.516 1.439 0.607 0.296 0.661 0.088
2019 0.641 -0.849 -0.394 -0.456 -0.497 0.495 0.301 1.107 0.404 0.866 0.506 -1.126
2020 -0.716 -0.719 1.013 -0.286 0.650 0.641 2.516 0.700 1.408 1.098 0.851 0.625
Lampiran 21 Nilai SPI stasiun hujan Sekotong (data real)
1990 1.530 -2.563 1.347 -1.426 -0.007 -0.615 -0.395 1.606 1.680 -0.020 -1.406 0.172
1991 0.837 1.743 -0.545 0.067 0.519 -0.615 1.090 0.000 0.000 -1.020 1.052 -0.605
1992 -0.871 1.002 0.702 -0.839 -1.020 -0.615 1.229 0.000 2.292 0.938 0.733 -0.839
1993 0.873 0.357 -1.519 -1.426 -1.020 -0.615 -0.395 2.531 0.899 0.024 -1.007 1.931
1994 -0.370 -0.141 1.771 -0.198 -1.020 0.120 -0.395 0.000 0.000 -0.266 0.678 -0.081
1995 -1.105 0.630 0.255 -0.483 0.595 -0.615 -0.395 1.338 0.000 1.671 -0.214 0.152
1996 -1.105 0.630 0.255 -0.483 0.595 -0.615 -0.395 1.338 0.000 1.671 -0.214 0.152
1997 -0.950 1.394 -0.932 -0.096 0.440 1.184 0.196 0.000 0.000 -1.020 -0.724 -0.254
1998 -0.849 -1.519 1.100 0.588 -0.590 0.321 2.244 0.828 2.092 1.610 0.656 0.750
1999 0.719 1.070 1.070 0.905 -0.590 -0.113 -0.026 1.172 0.538 1.583 1.002 0.210
2000 0.211 -0.284 1.026 1.279 1.617 0.540 -0.395 0.000 0.000 -1.020 -1.769 -1.426
2001 0.486 -1.534 0.312 1.588 -0.428 1.867 0.873 0.000 0.000 1.222 0.667 -0.743
2002 -0.733 1.025 -1.769 1.079 -0.693 -0.020 -0.395 0.000 0.000 -0.870 0.667 1.428
2003 1.246 -0.647 -0.802 -1.077 0.317 0.402 0.399 0.000 1.939 -0.411 0.266 1.725
2004 -0.091 -1.159 -0.431 -0.650 0.359 -0.020 -0.395 0.000 0.000 -0.351 -0.185 0.335
2005 -1.362 -0.171 0.719 0.574 -1.020 1.078 1.786 0.000 0.000 -0.381 -1.206 -0.215
2006 0.327 -0.071 1.421 0.574 1.195 1.459 0.102 0.000 0.000 0.739 -0.290 0.045
2007 0.533 -0.874 0.583 1.646 1.108 1.040 1.755 0.000 0.000 0.401 2.132 0.713
2008 -1.105 -0.717 0.265 1.221 1.629 1.040 -0.395 1.172 0.982 0.889 1.369 -0.596
2009 -1.742 1.484 -0.932 -0.063 0.440 1.184 0.273 1.529 0.601 0.735 0.620 0.874
2010 -0.539 0.446 0.260 0.231 0.144 0.761 0.819 1.094 0.413 0.874 0.916 0.536
2011 -0.052 -0.698 -0.095 0.642 0.260 0.334 1.057 0.796 1.554 0.249 -0.088 -1.426
2012 2.015 -0.274 -1.769 0.341 1.896 -0.113 1.500 1.172 0.958 -0.575 0.483 0.022
2013 0.607 0.632 0.221 -0.140 1.396 2.264 0.447 0.566 0.978 0.942 -0.456 1.615
2014 1.417 0.778 -0.617 0.475 0.529 -0.615 1.097 1.759 0.000 -1.020 0.409 -0.171
2015 0.224 -0.753 0.660 0.816 0.359 0.402 0.196 0.000 0.538 -0.969 -1.646 0.165
Lampiran 22 Desil stasiun hujan Sekotong (2015-2020 prediksi)
1990 10 1 10 1 4 1 1 9 9 4 1 6
1991 9 10 3 5 6 1 7 1 1 1 10 2
1992 3 9 7 2 1 1 8 1 10 7 8 2
1993 9 6 1 1 1 1 1 10 6 5 2 10
1994 5 5 10 4 1 5 1 1 1 4 8 4
1995 2 7 5 2 6 2 1 8 1 10 4 6
1996 2 7 5 2 6 2 2 8 1 10 4 6
1997 3 10 2 5 5 9 5 1 2 1 3 3
1998 3 1 9 7 2 5 10 5 10 9 7 8
1999 8 8 9 8 2 3 4 6 5 9 9 7
2000 5 4 9 9 9 5 2 2 2 1 1 1
2001 6 1 6 10 3 10 7 2 2 8 7 2
2002 4 9 1 8 2 4 2 2 3 2 7 9
2003 9 4 2 1 5 5 6 3 10 3 5 10
2004 5 2 4 2 5 4 3 3 3 4 4 7
2005 1 5 7 7 1 9 9 3 3 3 2 4
2006 6 6 10 7 8 10 5 4 4 6 3 5
2007 7 2 7 10 8 8 9 4 4 5 10 8
2008 2 3 6 9 9 8 3 6 7 7 10 3
2009 1 10 2 5 5 9 5 9 5 6 6 9
2010 4 7 6 6 4 7 7 6 5 7 9 7
2011 5 4 4 7 4 5 7 5 8 5 5 1
2012 10 5 1 6 10 3 9 6 7 2 6 5
2013 7 7 5 5 9 10 6 5 7 7 3 9
2014 10 8 3 6 6 2 8 10 4 1 5 4
2015 7 5 7 3 8 7 6 9 9 3 5 3
2016 6 6 3 4 10 8 10 5 8 5 2 10
2017 1 3 8 9 7 6 10 7 8 9 1 5
2018 8 8 5 10 7 7 4 9 6 6 7 5
2019 7 2 4 3 3 6 5 8 6 8 6 1
2020 4 3 8 4 8 6 4 6 8 8 9 8
Lampiran 23 Desil stasiun hujan Sekotong (data real)
1990 10 1 10 1 4 1 1 10 9 5 1 6
1991 8 10 3 5 7 1 8 1 1 1 10 2
1992 3 8 8 2 1 1 9 1 10 8 8 1
1993 9 6 1 1 1 2 1 10 7 5 2 10
1994 5 5 10 3 1 5 1 1 1 5 8 4
1995 1 7 5 3 8 2 2 8 1 10 4 5
1996 1 7 5 3 8 2 2 8 2 10 4 5
1997 2 10 2 4 6 9 5 2 2 1 3 3
1998 3 1 9 7 3 5 10 6 10 10 7 8
1999 8 9 9 8 3 3 4 7 6 9 9 7
2000 6 4 8 10 10 7 2 2 2 1 1 1
2001 7 1 6 10 3 10 7 2 3 9 7 2
2002 4 8 1 9 2 4 3 3 3 3 7 9
2003 9 4 3 1 5 6 6 3 10 3 5 10
2004 5 2 4 2 5 4 3 4 4 5 5 7
2005 1 5 8 6 2 8 10 4 4 3 2 3
2006 6 6 10 6 8 10 5 4 4 6 3 5
2007 7 2 7 10 8 8 10 5 5 6 10 8
2008 1 3 6 9 10 8 4 7 8 8 10 3
2009 1 10 2 5 6 9 6 9 7 6 6 9
2010 4 6 6 5 4 7 7 7 6 7 9 8
2011 5 3 4 8 5 6 8 6 9 6 5 1
2012 10 5 1 6 10 3 9 7 8 3 6 5
2013 8 8 5 3 9 10 6 6 8 8 3 10
2014 10 8 3 6 7 3 8 10 5 1 5 4
2015 6 3 7 8 5 6 5 5 6 2 1 6

ANALISA KEKERINGAN DI KECAMATAN SEKOTONG

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

ANALISA KEKERINGAN DI KECAMATAN SEKOTONG

Загружено:

Авторское право:

Доступные форматы

ANALISA KEKERINGAN DI KECAMATAN SEKOTONG

DENGAN METODE STANDARDIZED PRECIPITATION

Analysis of Drought in the District Sekotong with Standardized Precipitation

JURUSAN TEKNIK SIPIL

Mataram, Mei 2016

Kekeringan merupakan salah satu fenomena yang terjadi sebagai dampak

Kata Kunci : Kekeringan, Indeks Kekeringan, SPI, Desil, El Nino SOI

Drought is one of the phenomena that occur as the impact of a seasonal

Key word : Drought, Drought Indeks, SPI, Desil, El Nino SOI.

1.1 Latar belakang

kelas I Kediri NTB (2015) menyatakan kekeringan terjadi di 6 Kecamatan di

1.2 Rumusan masalah

1.3 Tujuan penelitian

1.4 Manfaat penelitian

1.5 Batasan masalah

5. Analisis kekeringan dalam penelitian ini menggunakan metode Standardized

2.1 Tinjauan Pustaka

Hadi Muliawan (2012), melakukan penelitian Analisa Indeks Kekeringan

dengan kejadian El Nino mengindikasikan adanya keterkaitan karena adanya

2.1.3 Metode Indeks Kekeringan

negative. Hal tersebut dijelaskan oleh Salmawati (2010) tentang tingkatan

Curah hujan, kapasitas lengas

Curah hujan, kapasitas lengas

La Nina kuat 1.5

La Nina sedang 1.50 s.d 1.00

El Nino kuat -1.5

Sumber : Based on Oceanic Nino Index

2.2 Landasan Teori

2.2.1.2 Uji konsistensi data hujan

dengan : n = jumlah data hujan

Nilai statistik R (Range) :

dengan : Q = nilai statistik

n = jumlah data hujan

Tabel 2.4 Nilai kritis yang diijinkan untuk metode RAPS

2.2.2 Analisa Kekeringan

menyatakan bahwa metode SPI direkomendasikan sebagai metode indeks kekeringan

Adapun langkah-langkah pengerjaan metode SPI ini adalah :

x = nilai rata-rata kejadian hujan (mm)

x = jumlah kejadian hujan (mm)

c0= 2.515517 d1= 1.432788

c1= 0.802853 d2= 0.189269

c2= 0.010328 d3= 0.001308

Analisis kekeringan dengan menggunakan metode SPI ini dapat dilakukan

2.2.2.2 Metode Desil

Tabel 2.6 Makna peringkat Desil (Gibbs dan Maher, 1967)

Desil-1 dapat diartikan peringkat amat sangat kering, sedangkan Desil-2

Metoda Desil telah diterapkan di Australia untuk mengetahui tingkat

cf b = Frekwensi kumulatif di bawah Desil-1 yang dicari

f d = Frekwensi pada interval Desil-1 yang dicari

Bentuk persamaan koefisien korelasi sebagai berikut :

Tabel 2.7 Skala nilai r

2.2.4 Model Bangkitan Data dengan Model Thomas Fiering

pj = Nilai rerata curah hujan bulan ke-j

p j 1 = Nilai rerata curah hujan pada bulan sebelumnya (bulan ke-j-1)

rj = koefisien korelasi curah hujan bulan ke-j dengan bulan ke-j-1

pij = Curah hujan ke-I, bulan ke-j (mm)

3. Menghitung koefisien korelasi tiap-tiap bulan dengan rumus berikut :

pi,j-1 = Curah hujan tahun ke-i, bulan ke j-1 (mm)

4. Menghitung koefisien regresi bulanan dengan rumus berikut :

Secara sederhana dapat dikatakan bahwa curah hujan tengah bulanan

3.1 Lokasi Penelitian

Sumber : Google Maps